PANDUAN Teknikal

Strategi Satu-lawan-Selebihnya dan Satu-lawan-Satu

One-vs-rest (OvR) dan one-vs-one (OvO) ialah dua cara untuk menyesuaikan pengelas binari, yang hanya membezakan antara dua kelas, menjadi satu yang mengendalikan banyak kelas.

Dengar panduan iniAI-diceritakan · ~3 min

Pada halaman ini3 min dibaca
  1. Gambaran keseluruhan
  2. Menyelam dalam
  3. Pelaksanaan Dunia Sebenar
  4. Masa Depan Strategi Satu lawan Rehat dan Satu lawan Satu
  5. Mempraktikkannya
  6. Teruskan Meneroka
  7. Soalan lazim

Gambaran keseluruhan

OvR melatih satu pengelas setiap kelas berbanding semua yang lain, manakala OvO melatih satu pengelas untuk setiap pasangan kelas dan menggabungkan undian mereka. Ia penting kerana banyak algoritma berkuasa, seperti mesin vektor sokongan asas, adalah binari asli, jadi strategi ini memanjangkannya kepada masalah dunia sebenar dengan lebih daripada dua kategori.

Menyelam dalam

One-vs-rest (OvR, also called one-vs-all) and one-vs-one (OvO) are the two standard ways to extend binary classifiers to multiclass problems. Given K classes, OvR trains K separate binary classifiers: each learns to separate a single class from all the others combined. At prediction time, all K classifiers score the input, and the class whose classifier gives the highest confidence wins. OvO instead trains a classifier for every pair of classes, giving K(K-1)/2 classifiers total. Each pairwise classifier only sees examples from its two classes during training, so its decision boundary can be simpler and its training set smaller. At prediction time, every pairwise classifier votes for one of its two classes, and the class with the most votes is chosen, with ties broken by summed confidence scores. The tradeoffs are the main reason the choice matters. OvR trains fewer classifiers but each is trained on an imbalanced dataset (one class vs. everyone else), which can hurt performance when classes are unevenly sized. OvO trains many more classifiers for large K, but each pairwise classifier sees only two classes, so its training set is often smaller (though class counts within a pair can still differ), which is why OvO is the traditional default for kernel support vector machines, where training time scales poorly with dataset size. A common misconception is that one strategy is universally better; in practice the choice depends on the algorithm's cost function and dataset size, and libraries pick sensible defaults per algorithm.

Pelaksanaan Dunia Sebenar

Pengecaman digit tulisan tangan (0-9): OvR melatih 10 pengelas, setiap satu memisahkan satu digit daripada semua yang lain dan memilih pengelas dengan skor keyakinan tertinggi.

Sokong mesin vektor untuk tugas penandaan imej 5 kelas: OvO melatih 10 pengelas berpasangan (5 pilih 2) dan setiap satu mengundi untuk satu daripada dua kelasnya, dengan majoriti menentukan label.

Pengkategorian teks merentas banyak topik (sukan, politik, teknologi): OvR sering diutamakan di sini kerana melatih satu pengelas bagi setiap topik menskalakan secara linear dan bukannya kuadratik dengan bilangan topik.

Pustaka regresi logistik yang lalai kepada OvR untuk masalah berbilang kelas apabila penyelesainya hanya menyokong sempadan dua kelas, secara senyap menjalankan berbilang muat di belakang satu panggilan API.

Masa Depan Strategi Satu lawan Rehat dan Satu lawan Satu

OvR dan OvO kekal relevan terutamanya untuk pengelas yang sememangnya binari, seperti mesin vektor sokongan standard. Banyak penganggar mengendalikan sasaran berbilang kelas secara asli, manakala sesetengah pelajar binari masih menggunakan pembalut atau penguraian mereka sendiri dan tidak memerlukan strategi pembalut ini, jadi penggunaan praktikal mereka telah mengecilkan kepada keluarga algoritma dan perpustakaan tertentu yang menawarkan antara muka berbilang kelas yang seragam. Kedua-dua kaedah mungkin akan berubah lagi kerana idea-idea adalah mudah dan lengkap untuk masalah tertutup penguraian berpasangan atau tunggal-vs-semua. Sebarang perkaitan masa hadapan akan datang daripada seni bina perduaan sahaja baharu yang memerlukan pembalut berbilang kelas.

Mempraktikkannya

Mengapa ia penting

  • Kos dan bajet. Keputusan seni bina memacu prestasi dan kos operasi selama bertahun-tahun.
  • Keputusan yang lebih jelas. Pendidikan teknikal membantu pasukan memilih timbunan yang betul, bukan hanya yang terbaharu.
  • Kawalan kualiti. Pilihan kejuruteraan yang lebih baik mengurangkan insiden kebolehpercayaan dalam pengeluaran.

Berhati-hati untuk

  • Mengoptimumkan satu penanda aras boleh menyembunyikan kelemahan sistem yang lebih luas.
  • Kos infrastruktur dan penyelenggaraan sering dipandang remeh.
  • Jurang keselamatan dan pemerhatian boleh berkembang apabila sistem menjadi lebih kompleks.

Langkah seterusnya

  1. Tentukan sasaran kependaman, kualiti dan kos sebelum pelaksanaan.
  2. Penanda aras di bawah beban realistik dan keadaan data.
  3. Pemantauan instrumen untuk ralat, drift dan kesan pengguna.
  4. Sediakan laluan balik dan tindak balas insiden sebelum penskalaan.

Teruskan Meneroka

Newsletter percuma

Dapatkan taklimat AI harian

Tiga cerita AI yang disahkan setiap pagi hari bekerja, ditulis dalam Bahasa Inggeris biasa. Percuma selamanya, tiada iklan.

Satu e-mel setiap hari bekerja. Berhenti melanggan dalam satu klik. Kami tidak pernah menjual atau berkongsi alamat anda.

Uji diri anda

Ambil kuiz Satu-vs-Rehat dan Satu-vs-Satu Strategi

Maklum balas segera pada setiap jawapan, dan sijil yang boleh dikongsi dengan ID yang boleh disahkan sebaik sahaja anda lulus kursus.

Mulakan kuiz

Sokong pendidikan AI percuma. AI Understanding ialah pertubuhan bukan keuntungan 501(c)(3) — tiada iklan, tiada bayaran dinding, selamanya. Buat derma

Soalan lazim

Apakah Strategi Satu-vs-Rehat dan Satu lawan Satu?

One-vs-rest (OvR) dan one-vs-one (OvO) ialah dua cara untuk menyesuaikan pengelas binari, yang hanya membezakan antara dua kelas, menjadi satu yang mengendalikan banyak kelas. OvR melatih satu pengelas setiap kelas berbanding semua yang lain, manakala OvO melatih satu pengelas untuk setiap pasangan kelas dan menggabungkan undian mereka. Ia penting kerana banyak algoritma berkuasa, seperti mesin vektor sokongan asas, adalah binari asli, jadi strategi ini memanjangkannya kepada masalah dunia sebenar dengan lebih daripada dua kategori.

Untuk masalah pengelasan dengan 6 kelas, berapa banyak pengelas binari yang dilatih oleh strategi satu lawan rehat?

OvR melatih satu pengelas setiap kelas, jadi dengan K=6 kelas ia melatih tepat 6 pengelas, setiap satu memisahkan satu kelas daripada yang lain.

Untuk masalah 6 kelas yang sama, berapa banyak pengelas yang dilatih satu lawan satu?

OvO melatih satu pengelas bagi setiap pasangan kelas, iaitu K(K-1)/2; untuk 6 kelas iaitu 6x5/2 = 15.

Dalam satu lawan rehat, bagaimanakah kelas ramalan akhir dipilih di kalangan pengelas terlatih K?

OvR membandingkan skor keyakinan/keputusan daripada semua pengelas K dan memilih kelas yang mendapat markah tertinggi.

Dalam satu lawan satu, bagaimanakah kelas ramalan akhir ditentukan?

Setiap pengelas OvO berpasangan mengundi untuk satu daripada dua kelas yang dilatih; kelas yang menerima undian terbanyak merentas semua pasangan ialah ramalan.

Mengapakah OvO secara tradisinya merupakan strategi berbilang kelas lalai untuk mesin vektor sokongan kernel?

Kos latihan Kernel SVM berskala buruk dengan saiz set data, jadi set latihan setiap pengelas OvO yang lebih kecil boleh menjadikan jumlah latihan lebih pantas walaupun memerlukan pengelas K(K-1)/2.