Opcja Jeden a wszystkie umożliwia wykorzystanie klasyfikacji binarnej. W przypadku problemu z klasyfikacją N możliwych rozwiązań rozwiązanie 1 vs-all składa się z N osobnych klasyfikatorów binarnych – po 1 klasyfikator binarny dla każdego możliwego wyniku. Podczas trenowania model przechodzi przez sekwencję klasyfikatorów binarnych, trenując każdy w celu udzielenia odpowiedzi na osobne pytanie o klasyfikację. Na przykład na przykładzie psa można wytrenować 5 rozpoznawców, 4 przedstawić obraz jako negatywny przykład (nie jabłko, niedźwiadek itp.), a jako przykład wyobrazić go jako pozytywnego przykład (pies). Czyli:
- Czy ten obraz to jabłko? Nie.
- Czy to zdjęcie jest misiem? Nie.
- Czy to obrazek? Nie.
- Czy ten obraz przedstawia psa? Tak.
- Czy to zdjęcie jest jajkiem? Nie.
To podejście jest rozsądne, gdy łączna liczba zajęć jest mała, ale w miarę wzrostu ich liczby staje się coraz mniej nieskuteczna.
Możemy utworzyć znacznie wydajniejszy model vvs – z głęboką siecią neuronową, w której każdy węzeł wyjściowy reprezentuje inną klasę. Poniżej przedstawiamy taką propozycję:
Rysunek 1. Sieć neuronowa – w porównaniu do wszystkich.