One-vs-All і One-vs-One у svm?

Яка різниця між класифікатором SVM один-проти-всіх?

Чи означає один класифікатор один проти всіх класифікацію всіх типів / категорій нового зображення, а один проти одного означає, що кожен тип / категорія нового зображення класифікується з різним класифікатором (кожна категорія обробляється спеціальним класифікатором)?

Наприклад, якщо нове зображення слід класифікувати на коло, прямокутник, трикутник тощо.

machine-learning classification svm

— користувач3378327
джерело

Різниця полягає в кількості класифікаторів, яких ви повинні вивчити, що сильно корелює з межею прийняття рішення, яку вони створюють.

Припустимо, у вас різних класів. Один проти всіх тренуватиме по одному класифікатору на клас у загальній кількості класифікаторів. Для класу він буде вважати мітки як позитивні, а решта як негативні. Це часто призводить до незбалансованих наборів даних, що означає, що загальний SVM може не працювати, але все ж існують певні шляхи вирішення. $N$ $N$ $i$ $i$

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

— Гнаттуха
джерело

Будь ласка, ви мали на увазі i-мітки як позитивні АБО i-й мітки як позитивні ?

— маренняX

мітки, що відповідають класу i як позитивні.

— Гнаттуха

@Gnattuha - Що ви маєте на увазі під незбалансованими наборами даних? Заздалегідь спасибі.

— saurabheights

Я читаю тут - en.wikipedia.org/wiki/… - "Хоча ця стратегія є популярною, вона є евристичною, яка страждає від кількох проблем. По-перше, шкала значень довіри може відрізнятися між бінарними класифікаторами. По-друге, навіть якщо розподіл класів у навчальному наборі врівноважений, студенти бінарної класифікації бачать незбалансовані розподіли, оскільки зазвичай набір негативів, який вони бачать, значно більший, ніж набір позитивних ". І все-таки як цей дисбаланс впливає на точність?

— saurabheights