One-vs-All i One-vs-One w svm?

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.

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.$N$$N$$i$$i$

$\frac{N(N-1)}{2}$ klasyfikatory. Jest to o wiele mniej wrażliwe na problemy związane z niezrównoważonymi zestawami danych, ale jest o wiele bardziej kosztowne obliczeniowo.