One-vs-All und One-vs-One in SVM?

Was ist der Unterschied zwischen einem Eins-gegen-Alles- und einem Eins-gegen-Eins-SVM-Klassifikator?

Bedeutet "Eins gegen Alles", dass ein Klassifizierer alle Typen / Kategorien des neuen Bildes klassifiziert, und "Eins gegen Eins", dass jeder Typ / jede Kategorie eines neuen Bildes mit einem anderen Klassifizierer klassifiziert wird (jede Kategorie wird von einem speziellen Klassifizierer behandelt)?

Zum Beispiel, wenn das neue Bild in Kreis, Rechteck, Dreieck usw. klassifiziert werden soll.

machine-learning classification svm

— user3378327
quelle

Der Unterschied ist die Anzahl der zu lernenden Klassifikatoren, die stark mit der von ihnen erzeugten Entscheidungsgrenze korreliert.

Angenommen, Sie haben verschiedene Klassen. One vs all trainiert einen Klassifikator pro Klasse in insgesamt Klassifikatoren. Für Klasse wird angenommen, dass Labels positiv und der Rest negativ sind. Dies führt häufig zu unausgeglichenen Datasets, was bedeutet, dass generisches SVM möglicherweise nicht funktioniert, es gibt jedoch einige Problemumgehungen. $N$ $N$ $i$ $i$

In einem gegen einen müssen Sie für jedes Etikettenpaar einen eigenen Klassifikator trainieren. Dies führt zu -Klassifikatoren. Dies ist für die Probleme unausgeglichener Datensätze viel weniger anfällig, jedoch viel rechenintensiver. $\frac{N(N-1)}{2}$

— Gnattuha
quelle

Meinten Sie bitte i-labels als positiv ODER i-th label als positiv ?

— DelusionX

Beschriftungen entsprechend der Klasse i als positiv.

— Gnattuha

@ Gnattuha - Was meinen Sie mit unausgeglichenen Datensätzen? Danke im Voraus.

— Saurabheights

Ich lese hier - en.wikipedia.org/wiki/… - "Obwohl diese Strategie beliebt ist, ist sie eine Heuristik, die unter mehreren Problemen leidet. Erstens kann sich die Skala der Vertrauenswertes zwischen den Binärklassifikatoren unterscheiden. Zweitens, auch wenn Die Klassenverteilung ist im Trainingssatz ausgeglichen. Die Lernenden mit binärer Klassifizierung sehen eine unausgeglichene Verteilung, da die Menge der Negative, die sie sehen, in der Regel viel größer ist als die Menge der Positiven. " Wie wirkt sich dieses Ungleichgewicht auf die Genauigkeit aus?

— Saurabheights