Один против всех и Один против одного в свм?

В чем разница между классификатором SVM «один против всех» и «один против одного»?

Означает ли «один против всех» один классификатор, чтобы классифицировать все типы / категории нового изображения, и означает, что каждый тип / категория нового изображения классифицируется с помощью другого классификатора (каждая категория обрабатывается специальным классификатором)?

Например, если новое изображение должно быть классифицировано на круг, прямоугольник, треугольник и т. Д.

machine-learning classification svm

— user3378327
источник

Разница заключается в количестве классификаторов, которые вы должны изучить, что сильно коррелирует с границей принятия решений, которую они создают.

Предположим, у вас есть разных классов. Один против всех обучит одного классификатора на класс в общей сложности классификаторов. Для класса он будет считать метки положительными, а остальные - отрицательными. Это часто приводит к несбалансированным наборам данных, что означает, что общий SVM может не работать, но все же есть некоторые обходные пути. $N$ $N$ $i$ $i$

В одном против одного вы должны обучить отдельный классификатор для каждой пары различных меток. Это приводит к классификатора. Это гораздо менее чувствительно к проблемам несбалансированных наборов данных, но намного дороже в вычислительном отношении. $\frac{N(N-1)}{2}$

— Gnattuha
источник

Пожалуйста, вы имели в виду i-label как позитивный ИЛИ i-й лейбл как позитивный ?

— заблуждениеX

метки, соответствующие классу i, как положительные.

— Гнаттуха

@Gnattuha - Что вы подразумеваете под несбалансированными наборами данных? Заранее спасибо.

— saurabheights

Я читаю здесь - en.wikipedia.org/wiki/… - «Хотя эта стратегия популярна, она представляет собой эвристику, которая страдает от нескольких проблем. Во-первых, шкала значений достоверности может различаться между двоичными классификаторами. Во-вторых, даже если распределение классов сбалансировано в обучающем наборе, ученики бинарной классификации видят несбалансированные распределения, потому что обычно набор негативов, которые они видят, намного больше, чем набор позитивов ». Тем не менее, как этот дисбаланс влияет на точность?

— saurabheights