Một so với tất cả cung cấp một cách để tận dụng phân loại nhị phân. Do một vấn đề phân loại với N giải pháp có thể xảy ra, một giải pháp thay thế bao gồm N bộ phân loại nhị phân riêng biệt—một trình phân loại nhị phân cho mỗi kết quả có thể có. Trong quá trình huấn luyện, mô hình sẽ chạy qua một chuỗi các thuật toán phân loại nhị phân để đào tạo từng nhân viên trả lời một câu hỏi phân loại riêng. Ví dụ: với hình ảnh một chú chó, 5 người nhận dạng khác nhau có thể được huấn luyện, 4 người xem hình ảnh là một ví dụ tiêu cực (không phải quả táo, không phải gấu, v.v.) và một người nhìn thấy hình ảnh đó là một ví dụ tích cực (chó). Đó là:
- Hình ảnh này có phải là một quả táo không? Không.
- Hình ảnh này có phải là một con gấu không? Không.
- Hình ảnh này có phải là kẹo không? Không.
- Hình ảnh này có phải là chó không? Có.
- Hình ảnh này có phải là quả trứng không? Không.
Phương pháp này khá hợp lý khi tổng số lớp nhỏ, nhưng ngày càng trở nên kém hiệu quả khi số lượng lớp tăng lên.
Chúng ta có thể tạo một mô hình một với tất cả hiệu quả hơn đáng kể bằng một mạng nơron sâu, trong đó mỗi nút đầu ra đại diện cho một lớp khác nhau. Hình dưới đây cho thấy phương pháp này:
Hình 1. Một mạng nơ-ron so với tất cả.