One-vs-All e One-vs-One em svm?

Qual é a diferença entre um classificador SVM one-vs-all e one-vs-one?

O one-vs-all significa um classificador para classificar todos os tipos / categorias da nova imagem e one-vs-one significa que cada tipo / categoria da nova imagem é classificada com classificador diferente (cada categoria é tratada por um classificador especial)?

Por exemplo, se a nova imagem for classificada em círculo, retângulo, triângulo etc.

machine-learning classification svm

— user3378327
fonte

A diferença é o número de classificadores que você precisa aprender, o que se correlaciona fortemente com o limite de decisão que eles criam.

Suponha que você tenha classes diferentes. Um vs todos treinará um classificador por classe no total de classificadores. Para a classe ele assumirá os rótulos como positivos e o restante como negativo. Isso geralmente leva a conjuntos de dados desequilibrados, o que significa que o SVM genérico pode não funcionar, mas ainda existem algumas soluções alternativas. $N$ $N$ $i$ $i$

Em um vs um, você precisa treinar um classificador separado para cada par de rótulos. Isso leva aos classificadores . Isso é muito menos sensível aos problemas de conjuntos de dados desequilibrados, mas é muito mais caro em termos computacionais. $\frac{N(N-1)}{2}$

— Gnattuha
fonte

Por favor, você quis dizer rótulos i como positivos OU rótulo i como positivo ?

— delusionX

rótulos correspondentes à classe i como positivos.

— Gnattuha 14/05

@Gnattuha - O que você quer dizer com conjuntos de dados desequilibrados? Desde já, obrigado.

— saurabheights

Eu li aqui - en.wikipedia.org/wiki/… - "Embora essa estratégia seja popular, é uma heurística que sofre de vários problemas. Primeiro, a escala dos valores de confiança pode diferir entre os classificadores binários. Segundo, mesmo que a distribuição da turma é equilibrada no conjunto de treinamento, os alunos da classificação binária veem distribuições desequilibradas porque normalmente o conjunto de negativos que vêem é muito maior que o conjunto de positivos ". Ainda como esse desequilíbrio afeta a precisão?

— Saurabheights 21/0318