तकनीकी गाइड
एक बनाम आराम और एक बनाम एक रणनीतियाँ
वन-बनाम-रेस्ट (ओवीआर) और वन-बनाम-वन (ओवीओ) एक बाइनरी क्लासिफायरियर को अनुकूलित करने के दो तरीके हैं, जो केवल दो वर्गों के बीच अंतर करता है, जो कई वर्गों को संभालता है।
इस गाइड को सुनेंएआई-नैरेटेड · ~3 min
इस पृष्ठ पर3 मिनट लाल
सिंहावलोकन
ओवीआर अन्य सभी के मुकाबले प्रति क्लास एक क्लासिफायर को प्रशिक्षित करता है, जबकि ओवीओ प्रत्येक जोड़ी क्लास के लिए एक क्लासिफायर को प्रशिक्षित करता है और उनके वोटों को जोड़ता है। वे मायने रखते हैं क्योंकि कई शक्तिशाली एल्गोरिदम, जैसे कि बुनियादी समर्थन वेक्टर मशीनें, मूल रूप से बाइनरी हैं, इसलिए ये रणनीतियां उन्हें दो से अधिक श्रेणियों के साथ वास्तविक दुनिया की समस्याओं तक विस्तारित करती हैं।
गहरा गोता
वन-बनाम-रेस्ट (ओवीआर, जिसे वन-बनाम-ऑल भी कहा जाता है) और वन-बनाम-वन (ओवीओ) बाइनरी क्लासिफायर को मल्टीक्लास समस्याओं तक विस्तारित करने के दो मानक तरीके हैं। K वर्गों को देखते हुए, OvR K को अलग-अलग बाइनरी क्लासिफायर प्रशिक्षित करता है: प्रत्येक संयुक्त रूप से एक वर्ग को अन्य सभी से अलग करना सीखता है। भविष्यवाणी के समय, सभी K क्लासिफायर इनपुट स्कोर करते हैं, और जिस क्लास का क्लासिफायर सबसे अधिक आत्मविश्वास देता है वह जीत जाता है। ओवीओ इसके बजाय वर्गों की प्रत्येक जोड़ी के लिए एक क्लासिफायरियर को प्रशिक्षित करता है, जिससे कुल K(K-1)/2 क्लासिफायर मिलते हैं। प्रत्येक जोड़ीवार क्लासिफायरियर प्रशिक्षण के दौरान केवल अपने दो वर्गों के उदाहरण देखता है, इसलिए इसकी निर्णय सीमा सरल हो सकती है और इसका प्रशिक्षण सेट छोटा हो सकता है। भविष्यवाणी के समय, प्रत्येक जोड़ीवार वर्गीकरणकर्ता अपने दो वर्गों में से एक के लिए वोट करता है, और सबसे अधिक वोट वाले वर्ग को चुना जाता है, जिसमें सारांशित आत्मविश्वास स्कोर द्वारा संबंध तोड़ दिए जाते हैं। ट्रेडऑफ़ ही चुनाव के मायने रखने का मुख्य कारण है। ओवीआर कम क्लासिफायर को प्रशिक्षित करता है लेकिन प्रत्येक को असंतुलित डेटासेट (एक वर्ग बनाम बाकी सभी) पर प्रशिक्षित किया जाता है, जो कक्षाओं के असमान आकार होने पर प्रदर्शन को नुकसान पहुंचा सकता है। OvO बड़े K के लिए कई और क्लासिफायर को प्रशिक्षित करता है, लेकिन प्रत्येक जोड़ीदार क्लासिफायर केवल दो वर्गों को देखता है, इसलिए इसका प्रशिक्षण सेट अक्सर छोटा होता है (हालांकि एक जोड़ी के भीतर वर्ग की गिनती अभी भी भिन्न हो सकती है), यही कारण है कि OvO कर्नेल समर्थन वेक्टर मशीनों के लिए पारंपरिक डिफ़ॉल्ट है, जहां प्रशिक्षण का समय डेटासेट आकार के साथ खराब होता है। एक आम ग़लतफ़हमी यह है कि एक ही रणनीति सार्वभौमिक रूप से बेहतर होती है; व्यवहार में चुनाव एल्गोरिथम की लागत फ़ंक्शन और डेटासेट आकार पर निर्भर करता है, और लाइब्रेरीज़ प्रत्येक एल्गोरिथम के अनुसार समझदार डिफ़ॉल्ट चुनती हैं।
वास्तविक विश्व कार्यान्वयन
हस्तलिखित अंक पहचान (0-9): ओवीआर 10 क्लासिफायर को प्रशिक्षित करता है, प्रत्येक एक अंक को अन्य सभी से अलग करता है, और उच्चतम आत्मविश्वास स्कोर वाले क्लासिफायर को चुनता है।
5-श्रेणी छवि-टैगिंग कार्य के लिए वेक्टर मशीनों का समर्थन करें: ओवीओ 10 जोड़ीवार क्लासिफायर (5 चुनें 2) को प्रशिक्षित करता है और प्रत्येक अपने दो वर्गों में से एक के लिए वोट करता है, जिसमें बहुमत लेबल तय करता है।
कई विषयों (खेल, राजनीति, तकनीक) में पाठ वर्गीकरण: ओवीआर को अक्सर यहां पसंद किया जाता है क्योंकि प्रति विषय एक क्लासिफायर का प्रशिक्षण विषयों की संख्या के साथ चतुष्कोणीय के बजाय रैखिक रूप से होता है।
एक लॉजिस्टिक रिग्रेशन लाइब्रेरी मल्टीक्लास समस्याओं के लिए ओवीआर को डिफॉल्ट करती है, जब इसका सॉल्वर केवल दो-क्लास सीमाओं का समर्थन करता है, एक ही एपीआई कॉल के पीछे चुपचाप कई फिट चलाता है।
एक बनाम आराम और एक बनाम एक रणनीतियों का भविष्य
ओवीआर और ओवीओ मुख्य रूप से ऐसे क्लासिफायर के लिए प्रासंगिक बने हुए हैं जो स्वाभाविक रूप से बाइनरी हैं, जैसे मानक समर्थन वेक्टर मशीनें। कई अनुमानक मल्टीक्लास लक्ष्यों को मूल रूप से संभालते हैं, जबकि कुछ बाइनरी शिक्षार्थी अभी भी रैपर या अपने स्वयं के अपघटन का उपयोग करते हैं और उन्हें इन रैपर रणनीतियों की आवश्यकता नहीं होती है, इसलिए उनका व्यावहारिक उपयोग एक समान मल्टीक्लास इंटरफ़ेस की पेशकश करने वाले विशिष्ट एल्गोरिदम परिवारों और पुस्तकालयों तक सीमित हो गया है। किसी भी विधि में आगे बदलाव की संभावना नहीं है क्योंकि जोड़ीवार या एकल-बनाम-सभी अपघटन की बंद समस्या के लिए विचार सरल और पूर्ण हैं। भविष्य की कोई भी प्रासंगिकता नए बाइनरी-ओनली आर्किटेक्चर से आएगी जिसमें मल्टीक्लास रैपर्स की आवश्यकता होगी।
इसे व्यवहार में लाना
यह क्यों मायने रखता है?
- लागत और बजट. वास्तुकला संबंधी निर्णय वर्षों तक प्रदर्शन और परिचालन लागत को संचालित करते हैं।
- स्पष्ट निर्णय. तकनीकी शिक्षा टीमों को सही स्टैक चुनने में मदद करती है, न कि केवल नवीनतम स्टैक चुनने में।
- गुणवत्ता नियंत्रण. बेहतर इंजीनियरिंग विकल्प उत्पादन में विश्वसनीयता की घटनाओं को कम करते हैं।
का ध्यान रखें
- एक बेंचमार्क को अनुकूलित करने से व्यापक सिस्टम कमजोरियों को छुपाया जा सकता है।
- बुनियादी ढांचे और रखरखाव की लागत को अक्सर कम करके आंका जाता है।
- जैसे-जैसे सिस्टम अधिक जटिल होते जाएंगे सुरक्षा और अवलोकन संबंधी अंतराल बढ़ सकते हैं।
अगले चरण
- कार्यान्वयन से पहले विलंबता, गुणवत्ता और लागत लक्ष्य परिभाषित करें।
- यथार्थवादी लोड और डेटा स्थितियों के तहत बेंचमार्क।
- त्रुटियों, बहाव और उपयोगकर्ता प्रभाव के लिए उपकरण निगरानी।
- स्केलिंग से पहले रोलबैक और घटना प्रतिक्रिया पथ तैयार करें।
अन्वेषण करते रहें
मुफ़्त न्यूज़लेटर
दैनिक एआई ब्रीफिंग प्राप्त करें
हर कार्यदिवस की सुबह तीन सत्यापित एआई कहानियाँ, सादे अंग्रेजी में लिखी गईं। हमेशा के लिए मुफ़्त, कोई विज्ञापन नहीं।
प्रत्येक सप्ताह के दिन एक ईमेल. एक क्लिक में सदस्यता समाप्त करें. हम आपका पता कभी नहीं बेचते या साझा नहीं करते।
स्वयं की जांच करो
Take the One-vs-Rest and One-vs-One Strategies quiz
प्रत्येक उत्तर पर त्वरित प्रतिक्रिया, और पाठ्यक्रम पास करने के बाद एक सत्यापन योग्य आईडी के साथ एक साझा करने योग्य प्रमाणपत्र।
निःशुल्क एआई शिक्षा का समर्थन करें। AI Understanding एक 501(c)(3) गैर-लाभकारी संस्था है - कोई विज्ञापन नहीं, कोई पेवॉल नहीं। दान करें
अक्सर पूछे जाने वाले प्रश्नों
एक बनाम आराम और एक बनाम एक रणनीतियाँ क्या है?
वन-बनाम-रेस्ट (ओवीआर) और वन-बनाम-वन (ओवीओ) एक बाइनरी क्लासिफायरियर को अनुकूलित करने के दो तरीके हैं, जो केवल दो वर्गों के बीच अंतर करता है, जो कई वर्गों को संभालता है। ओवीआर अन्य सभी के मुकाबले प्रति क्लास एक क्लासिफायर को प्रशिक्षित करता है, जबकि ओवीओ प्रत्येक जोड़ी क्लास के लिए एक क्लासिफायर को प्रशिक्षित करता है और उनके वोटों को जोड़ता है। वे मायने रखते हैं क्योंकि कई शक्तिशाली एल्गोरिदम, जैसे कि बुनियादी समर्थन वेक्टर मशीनें, मूल रूप से बाइनरी हैं, इसलिए ये रणनीतियां उन्हें दो से अधिक श्रेणियों के साथ वास्तविक दुनिया की समस्याओं तक विस्तारित करती हैं।
6 वर्गों वाली वर्गीकरण समस्या के लिए, एक-बनाम-बाकी रणनीति कितने बाइनरी क्लासिफायर को प्रशिक्षित करती है?
OvR प्रति क्लास एक क्लासिफायर को प्रशिक्षित करता है, इसलिए K=6 क्लास के साथ यह ठीक 6 क्लासिफायर को प्रशिक्षित करता है, प्रत्येक एक क्लास को बाकी क्लास से अलग करता है।
समान 6-श्रेणी की समस्या के लिए, एक-बनाम-एक कितने क्लासिफायर को प्रशिक्षित करता है?
OvO प्रति जोड़ी कक्षाओं में एक क्लासिफायरियर को प्रशिक्षित करता है, जो K(K-1)/2 है; 6 कक्षाओं के लिए जो 6x5/2 = 15 है।
वन-बनाम-रेस्ट में, K प्रशिक्षित क्लासिफायर के बीच अंतिम अनुमानित वर्ग को कैसे चुना जाता है?
ओवीआर सभी K क्लासिफायरों के आत्मविश्वास/निर्णय स्कोर की तुलना करता है और उस वर्ग को चुनता है जिसके क्लासिफायर ने उच्चतम स्कोर किया है।
एक बनाम एक में, अंतिम अनुमानित वर्ग कैसे निर्धारित किया जाता है?
प्रत्येक जोड़ीवार ओवीओ क्लासिफायर उन दो वर्गों में से एक के लिए वोट करता है जिस पर उसे प्रशिक्षित किया गया था; सभी जोड़ियों में सबसे अधिक वोट प्राप्त करने वाला वर्ग भविष्यवाणी है।
ओवीओ पारंपरिक रूप से कर्नेल समर्थन वेक्टर मशीनों के लिए डिफ़ॉल्ट मल्टीक्लास रणनीति क्यों है?
कर्नेल एसवीएम प्रशिक्षण लागत डेटासेट आकार के साथ खराब होती है, इसलिए ओवीओ के छोटे प्रति-क्लासिफायर प्रशिक्षण सेट K(K-1)/2 क्लासिफायर की आवश्यकता के बावजूद कुल प्रशिक्षण को तेज कर सकते हैं।
सीखते रहो
संबंधित मार्गदर्शिकाएँ
इस विषय के लिए अधिक मार्गदर्शिकाएँ चुनी गईं