Jaka jest różnica między klasyfikatorem SVM jeden na wszystkich a jednym na jednego?
Czy jeden do wszystkich oznacza jednego klasyfikatora do klasyfikacji wszystkich typów / kategorii nowego obrazu, a jeden do jednego oznacza każdy typ / kategorię nowego obrazu klasyfikuje się za pomocą innego klasyfikatora (każda kategoria jest obsługiwana przez specjalny klasyfikator)?
Na przykład, jeśli nowy obraz ma zostać podzielony na okrąg, prostokąt, trójkąt itp.
Odpowiedzi:
Różnica polega na liczbie klasyfikatorów, których musisz się nauczyć, co silnie koreluje z tworzoną przez nie granicą decyzji.
Załóżmy, że masz różnych klas. Jeden kontra wszyscy wytrenują jednego klasyfikatora na klasę w sumie N klasyfikatorów. W przypadku klasy i zakłada się, że i- etykiety są dodatnie, a reszta jako ujemna. Prowadzi to często do niezrównoważonych zestawów danych, co oznacza, że ogólny SVM może nie działać, ale nadal istnieją pewne obejścia.
klasyfikatory. Jest to o wiele mniej wrażliwe na problemy związane z niezrównoważonymi zestawami danych, ale jest o wiele bardziej kosztowne obliczeniowo.