Uno e tutti forniscono un modo per utilizzare la classificazione binari. Dato un problema di classificazione con N possibili soluzioni, una soluzione one-vs-all consiste in N classificatori binari separati, un classificatore binario per ogni possibile risultato. Durante l'addestramento, il modello esegue una sequenza di classificatori binari, addestrandoli singolarmente per rispondere a una domanda di classificazione separata. Ad esempio, data l'immagine di un cane, potrebbero essere addestrati cinque riconoscimento diverso, quattro vedendo l'immagine come un esempio negativo (non una mela, non un orso ecc.) e una che vede l'immagine come un esempio positivo (un cane). Ossia:
- Questa immagine è una mela? no.
- Questa immagine è un orso? no.
- Questa caramella immagine è? no.
- Questa immagine è un cane? Sì,
- Questa immagine è un uovo? no.
Questo approccio è abbastanza ragionevole quando il numero totale di corsi è basso, ma diventa sempre più inefficiente con l'aumento del numero di classi.
Possiamo creare un modello 1:1 con una rete neurale profonda in cui ogni nodo di output rappresenta una classe diversa. La seguente figura suggerisce questo approccio:
Figura 1. Una rete neurale one-v-all.