Один против всех и Один против одного в свм?

В чем разница между классификатором SVM «один против всех» и «один против одного»?

Означает ли «один против всех» один классификатор, чтобы классифицировать все типы / категории нового изображения, и означает, что каждый тип / категория нового изображения классифицируется с помощью другого классификатора (каждая категория обрабатывается специальным классификатором)?

Например, если новое изображение должно быть классифицировано на круг, прямоугольник, треугольник и т. Д.

Разница заключается в количестве классификаторов, которые вы должны изучить, что сильно коррелирует с границей принятия решений, которую они создают.

Предположим, у вас есть разных классов. Один против всех обучит одного классификатора на класс в общей сложности классификаторов. Для класса он будет считать метки положительными, а остальные - отрицательными. Это часто приводит к несбалансированным наборам данных, что означает, что общий SVM может не работать, но все же есть некоторые обходные пути.$N$$N$$i$$i$

В одном против одного вы должны обучить отдельный классификатор для каждой пары различных меток. Это приводит к классификатора. Это гораздо менее чувствительно к проблемам несбалансированных наборов данных, но намного дороже в вычислительном отношении.$\frac{N(N-1)}{2}$