svmでOne-vs-AllおよびOne-vs-One？

one-vs-allとone-vs-one SVM分類器の違いは何ですか？

one-vs-allは新しい画像のすべてのタイプ/カテゴリを分類する1つの分類子を意味し、one-vs-oneは新しい画像の各タイプ/カテゴリを異なる分類子で分類することを意味しますか（各カテゴリは特別な分類子によって処理されます）？

たとえば、新しい画像が円、長方形、三角形などに分類される場合

machine-learning classification svm

— user3378327
ソース

違いは、学習する必要がある分類子の数であり、作成する決定境界と強く相関します。

異なるクラスがあると仮定します。1対すべてでは、クラスごとに1つの分類器を合計分類器でトレーニングします。クラス場合、ラベルは正、残りは負と見なされます。これにより、多くの場合、データセットのバランスが崩れ、汎用SVMが機能しない可能性がありますが、まだ回避策がいくつかあります。 $N$ $N$ $i$ $i$

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

— グナトゥハ
ソース

、もしかして下さい陽性とI-ラベルを OR 陽性とi番目のラベル？

— delusionX

クラスiに対応するラベルは正です。

— グナトゥハ

@Gnattuha-不均衡なデータセットとはどういう意味ですか？前もって感謝します。

— saurabheights

私はここで読みます-en.wikipedia.org/wiki/…-「この戦略は一般的ですが、いくつかの問題に悩まされる発見的手法です。第一に、信頼度のスケールはバイナリ分類子間で異なる場合があります。クラスの分布はトレーニングセットでバランスが取れています。通常、バイナリセットの学習者は、バランスの取れていない分布を見ることがあります。それでも、その不均衡は精度にどのように影響しますか？

— saurabheights