Un contre tous permet d'exploiter la classification binaire. Face à un problème de classification avec N solutions possibles, une solution un contre tous consiste en N classificateurs binaires distincts, un classificateur binaire pour chaque résultat possible. Lors de l'entraînement, le modèle s'exécute dans une séquence de classificateurs binaires, l'entraînement de chacun pour répondre à une question de classification distincte. Par exemple, à partir d'une image de chien, cinq reconnaissateurs différents peuvent être entraînés, quatre voient l'image comme un exemple négatif (pas une pomme, un ours, etc.) et un autre voit l'image comme un exemple positif (un chien). Par exemple :
- Cette image est-elle une pomme ? N°
- Cette image représente-t-elle un ours ? N°
- Cette image est-elle un bonbon ? N°
- Cette image représente-t-elle un chien ? Oui.
- Cette image est-elle un œuf ? N°
Cette approche est assez raisonnable lorsque le nombre total de classes est faible, mais devient de plus en plus inefficace à mesure que le nombre de classes augmente.
Nous pouvons créer un modèle "un contre tous" particulièrement efficace avec un réseau de neurones profond, dans lequel chaque nœud de sortie représente une classe différente. L'illustration suivante suggère cette approche:
Figure 1. Un réseau de neurones un contre tous.