One-vs-All ve One-vs-One svm içinde?

Bire bir-hepsi-bir ile bire-bir-bir SVM sınıflandırıcısı arasındaki fark nedir?

One-vs-all, yeni görüntünün tüm türlerini / kategorilerini sınıflandırmak için bir sınıflandırıcı anlamına gelir ve one-vs-one yeni görüntünün tüm türlerini / kategorilerini farklı sınıflandırıcı ile sınıflandırır (her bir kategori özel sınıflandırıcı tarafından kullanılır) anlamına mı geliyor?

Örneğin, yeni resim daire, dikdörtgen, üçgen, vb.

machine-learning classification svm

— user3378327
kaynak

Aradaki fark, öğrenmeniz gereken sınıflandırıcıların sayısıdır ve bu da oluşturdukları karar sınırlarıyla güçlü bir şekilde ilişkilidir.

farklı sınıfınız olduğunu varsayalım . Hepsi bir vs, toplam sınıflandırıcıda sınıf başına bir sınıflandırıcı yetiştirecektir . sınıfı için, etiketlerini pozitif ve geri kalanını negatif olarak kabul edecektir . Bu genellikle, genel SVM'nin çalışmayabileceği anlamına gelen dengesiz veri kümelerine neden olur, ancak yine de bazı geçici çözümler vardır. $N$ $N$ $i$ $i$

Birinde birinde, her bir farklı etiket çifti için ayrı bir sınıflandırıcı eğitmeniz gerekir. Bu yol açar $\frac{N(N-1)}{2}$

— Gnattuha
kaynak

, Bunu mu demek istediniz lütfen olumlu olarak i-etiketleri VEYA pozitif olarak i-inci etiket ?

— delusionX

pozitif olarak i sınıfına karşılık gelen etiketler.

— Gnattuha

@Gnattuha - Dengesiz veri kümeleri ile ne demek istiyorsunuz? Şimdiden teşekkürler.

— saurabheights

Ben burada okurum - en.wikipedia.org/wiki/… - "Bu strateji popüler olmasına rağmen, birkaç sorundan muzdarip bir sezgiseldir. İlk olarak, güven değerlerinin ölçeği ikili sınıflandırıcılar arasında farklılık gösterebilir. İkincisi, sınıf dağılımı eğitim setinde dengelenir, ikili sınıflandırma öğrenenler dengesiz dağılımları görürler çünkü tipik olarak gördükleri negatifler kümesi pozitif gruplardan çok daha büyüktür ". Yine de bu dengesizlik doğruluğu nasıl etkiler?

— saurabheights