Redes neuronales de clases múltiples: Uno frente a todos

Uno frente a todos proporciona una manera de aprovechar la clasificación binaria. En un problema de clasificación dado con N soluciones posibles, una solución de uno frente a todos consiste en N clasificadores binarios independientes, es decir, un clasificador binario para cada resultado posible. Durante el entrenamiento, el modelo se ejecuta a través de una secuencia de clasificadores binarios, entrenando cada uno para responder una pregunta de clasificación independiente. Por ejemplo, en una foto dada de un perro, es posible entrenar cinco reconocedores diferentes, cuatro que vean la imagen como un ejemplo negativo (no es un perro) y uno, como positivo (es un perro), de la siguiente manera:

  1. ¿Esta imagen es una manzana? No.
  2. ¿Esta imagen es un oso? No.
  3. ¿Esta imagen es un dulce? No.
  4. ¿Esta imagen es un perro? Sí.
  5. ¿Esta imagen es un huevo? No.

Este enfoque es relativamente razonable cuando la cantidad total de clases es pequeña, pero se vuelve cada vez más ineficiente a medida que aumenta la cantidad de clases.

Podemos crear un modelo de uno frente a todos significativamente más eficiente con una red neuronal profunda en la que cada nodo de resultado represente una clase diferente. En la siguiente figura, se sugiere este enfoque:

Una red neural con cinco capas ocultas y cinco capas de resultado

Figura 1. Una red neuronal de uno frente a todos.