¿Uno contra todos y Uno contra uno en svm?

¿Cuál es la diferencia entre un clasificador SVM uno contra uno y uno contra uno?

¿One-vs-all significa un clasificador para clasificar todos los tipos / categorías de la nueva imagen y one-vs-one significa que cada tipo / categoría de nueva imagen clasifica con un clasificador diferente (cada categoría es manejada por un clasificador especial)?

Por ejemplo, si la nueva imagen se clasificará en círculo, rectángulo, triángulo, etc.

machine-learning classification svm

— usuario3378327
fuente

La diferencia es la cantidad de clasificadores que tiene que aprender, lo que se correlaciona fuertemente con el límite de decisión que crean.

Suponga que tiene clases diferentes. One vs all entrenará un clasificador por clase en un total de clasificadores. Para la clase asumirá que -labels como positivo y el resto como negativo. Esto a menudo conduce a conjuntos de datos desequilibrados, lo que significa que SVM genérico podría no funcionar, pero aún existen algunas soluciones. $N$ $N$ $i$ $i$

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

— Gnattuha
fuente

Por favor, ¿quisiste decir que las etiquetas i son positivas o las etiquetas i-th como positivas ?

— delusionX

etiquetas correspondientes a la clase i como positivas.

— Gnattuha

@Gnattuha - ¿Qué quieres decir con conjuntos de datos desequilibrados? Gracias por adelantado.

— saurabheights

Leí aquí - en.wikipedia.org/wiki/… - "Aunque esta estrategia es popular, es una heurística que sufre de varios problemas. En primer lugar, la escala de los valores de confianza puede diferir entre los clasificadores binarios. Segundo, incluso si la distribución de la clase está equilibrada en el conjunto de entrenamiento, los alumnos de clasificación binaria ven distribuciones desequilibradas porque típicamente el conjunto de negativos que ven es mucho mayor que el conjunto de positivos ". Aún así, ¿cómo afecta ese desequilibrio a la precisión?

— saurabheights