Jaringan Neural Multikelas: Satu vs. Semua

Satu vs. semua dapat diimplementasikan dengan memanfaatkan klasifikasi biner. Dalam 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 tersebut dijalankan melalui urutan pengklasifikasi biner, yang melatih setiap model untuk menjawab pertanyaan klasifikasi terpisah. Misalnya, saat diberikan gambar anjing, dari lima pengenal yang berbeda, empat di antaranya dapat dilatih untuk melihat gambar sebagai contoh negatif (bukan anjing), dan satu untuk melihat gambar tersebut sebagai contoh positif (anjing). Yakni:

  1. Apakah ini gambar apel? Bukan.
  2. Apakah ini gambar beruang? Bukan.
  3. Apakah ini gambar permen? Bukan.
  4. Apakah ini gambar anjing? Ya.
  5. Apakah ini gambar telur? Bukan.

Pendekatan ini cukup masuk akal saat jumlah kelasnya kecil, namun akan menjadi semakin tidak efisien saat himpunan kemungkinan kelasnya membesar.

Kita dapat membuat model satu vs. semua yang lebih efisien dengan jaringan neural dalam, yang mana setiap simpul keluaran merepresentasikan kelas yang berbeda. Gambar berikut menunjukkan pendekatan ini:

Jaringan neural dengan lima lapisan tersembunyi dan lima lapisan keluaran.

Gambar 1. Jaringan neural satu vs. semua