Réseaux de neurones à classes multiples : un contre tous

Un contre tous permet d'utiliser la classification binaire. Étant donné un problème de classification avec N solutions possibles, une solution un contre tous consiste en N classifieurs binaires distincts : un classifieur binaire pour chaque résultat possible. Au cours de l'apprentissage, le modèle parcourt une séquence de classifieurs binaires, formant chacun pour répondre à une question de classification distincte. Par exemple, prenons une image représentant un chien. Cinq reconnaissances différentes pourront être formées, dont quatre verront l'image comme un exemple négatif (pas un chien) et une verra l'image comme un exemple positif (un chien). Par exemple :

  1. Cette image représente-t-elle une pomme ? Non.
  2. Cette image représente-t-elle un ours ? Non.
  3. Cette image représente-t-elle des friandises ? Non.
  4. Cette image représente-t-elle un chien ? Oui.
  5. Cette image représente-t-elle un œuf ? Non.

Cette approche est relativement raisonnable lorsque nombre total de classes est réduit, mais devient de plus en plus inefficace à mesure que le nombre de classes augmente.

Nous pouvons créer un modèle un contre tous considérablement plus efficace avec un réseau de neurones profond, dans lequel chaque nœud de résultat représente une classe différente. La figure suivante suggère cette approche :

Un réseau de neurones avec cinq couches cachées et cinq couches de résultat.

Figure 1 : Réseau de neurones un contre tous.