One vs All SVM 引入了类不平衡答案

【问题标题】：One vs all SVM introduces classses imbalanceOne vs All SVM 引入了类不平衡
【发布时间】：2013-12-01 17:45:43
【问题描述】：

对于一对多的方法，它依赖于等于类数 n 的二元分类器。它假设一个类被标记为 1，而其余类被标记为 0：

model = cell(numLabels,1);
for k=1:numLabels
    model{k} = svmtrain(double(trainLabel==k), trainData, '-c 1 -g 0.2 -b 1');
end

对于大量的类和大量的图像（每类 5000 个）。这意味着在上面的代码中，一个类将是 5000，而数据集的其余部分是 (n-1)*5000。这种不平衡可以接受吗？我的意思是一对一会更好地避免不平衡，还是取决于分类问题？这种情况是否可以接受？如何知道这是否给我带来了问题？

【问题讨论】：

【解决方案1】：

对这种不平衡问题的直观思考是：少数样本可能存在训练后丢失TP的风险。然而，一对多的方法包括一个总和池过程，最大的分类器将在所有那些“TP-missing”分类器中选择。因此，轻微的不平衡不会造成大问题。

【讨论】：

【解决方案2】：

是的，总的来说，一对一在平衡方面是更好的解决方案，但它需要更高的计算和内存成本（因为您需要 n^2 个分类器）。因此，这是训练 1 vs all 的常用做法。为避免此问题，您可以使用“类权重”方案，该方案可确保较小的类获得更多学习者的关注（对表现较差的类进行错误分类的代价更高）。

【讨论】：