One-vs-All e One-vs-One in svm?

Qual è la differenza tra un classificatore SVM one-vs-all e uno-vs-one?

One-vs-all significa un classificatore per classificare tutti i tipi / categorie della nuova immagine e one-vs-one significa ogni tipo / categoria di nuova immagine classificare con un diverso classificatore (ogni categoria è gestita da un classificatore speciale)?

Ad esempio, se la nuova immagine deve essere classificata in cerchio, rettangolo, triangolo, ecc.

machine-learning classification svm

— user3378327
fonte

La differenza è il numero di classificatori che devi imparare, che è fortemente correlato al limite di decisione che creano.

Supponi di avere classi diverse. Uno contro tutti formerà un classificatore per classe nei classificatori totali . Per la classe assumerà etichette come positive e il resto come negativo. Ciò porta spesso a set di dati non bilanciati, il che significa che SVM generico potrebbe non funzionare, ma ci sono comunque alcune soluzioni alternative. $N$ $N$ $i$ $i$

$\frac{N(N-1)}{2}$

— Gnattuha
fonte

Per favore, intendevi i-label come positivi O i-th label come positivi ?

— delusionX

etichette corrispondenti alla classe i come positive.

— Gnattuha,

@Gnattuha - Cosa intendi per set di dati sbilanciati? Grazie in anticipo.

— saurabheights

Ho letto qui - en.wikipedia.org/wiki/… - "Sebbene questa strategia sia popolare, è un'euristica che soffre di diversi problemi. In primo luogo, la scala dei valori di confidenza può differire tra i classificatori binari. In secondo luogo, anche se la distribuzione di classe è bilanciata nell'insieme di addestramento, gli studenti di classificazione binaria vedono distribuzioni sbilanciate perché in genere l'insieme di negativi che vedono è molto più ampio dell'insieme di positivi ". In che modo questo squilibrio influisce sulla precisione?

— saurabheights