Satu vs. semua memberikan cara untuk memanfaatkan klasifikasi biner. Mengingat masalah klasifikasi dengan N kemungkinan solusi, solusi satu vs. semua terdiri dari N pengklasifikasi biner terpisah—satu pengklasifikasi biner untuk setiap kemungkinan hasil. Selama pelatihan, model berjalan melalui urutan pengklasifikasi biner, melatih masing-masing untuk menjawab pertanyaan klasifikasi terpisah. Misalnya, dengan gambaran pada, lima pengenal yang berbeda mungkin dilatih, empat melihat gambar sebagai contoh negatif (bukan apel, bukan beruang, dll.) dan satu melihat gambar sebagai contoh positif (kucing). Definisinya yaitu:
- Apakah ini gambar apel? Tidak.
- Apakah gambar ini beruang? Tidak.
- Apakah ini gambar permen? Tidak.
- Apakah ini gambar? Ya.
- Apakah gambar ini berisi telur? Tidak.
Pendekatan ini cukup wajar jika jumlah total class kecil, tetapi menjadi semakin tidak efisien saat jumlah class meningkat.
Kita dapat membuat model satu vs. semua yang jauh lebih efisien dengan jaringan neural dalam, yang mana setiap node output mewakili class yang berbeda. Gambar berikut menunjukkan pendekatan ini:
Gambar 1. Jaringan neural satu vs. semua.