Uno frente a todos proporciona una forma de aprovechar la clasificación binaria. Dado un problema de clasificación 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 de un perro, se podrían entrenar cinco reconocedores diferentes, cuatro que vean la imagen como un ejemplo negativo (no una manzana, no un oso, etc.) y otra que vea la imagen como un ejemplo positivo (un perro). Es decir:
- ¿Esta imagen es de una manzana? N°
- ¿Esta imagen es de un oso? N°
- ¿Esta imagen es de una golosina? N°
- ¿Esta imagen es de un perro? Sí.
- ¿Esta imagen es de un huevo? N°
Este enfoque es bastante 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 salida represente una clase diferente. En la siguiente figura, se sugiere este enfoque:
Figura 1 Una red neuronal de uno frente a todos