Bire Karşı Tümü (One-vs-All)

Bire Karşı Tümü nedir?

Bire karşı tümü (one-vs-all ya da one-vs-rest), ikiden fazla sınıfa sahip bir sınıflandırma problemini, birden fazla ikili (iki sınıflı) sınıflandırma problemine dönüştüren bir stratejidir. Her sınıf için ayrı bir model eğitilir ve bu model sadece tek bir soruyu cevaplar: "Bu örnek benim sınıfıma mı ait, yoksa diğerlerinden birine mi?"

Örneğin bir görüntüyü "kedi", "köpek" ve "kuş" olarak sınıflandırmak istediğinde üç ayrı ikili sınıflandırıcı eğitilir:

• Kedi mi, değil mi?
• Köpek mi, değil mi?
• Kuş mu, değil mi?

Nasıl çalışır?

Eğitim aşamasında, her sınıflandırıcı için veri yeniden etiketlenir. "Kedi" sınıflandırıcısı için tüm kedi görüntüleri olumlu, geri kalan tüm görüntüler (köpekler ve kuşlar) olumsuz örnek olarak işaretlenir. Aynı işlem her sınıf için tekrarlanır.

Tahmin aşamasında, yeni bir örnek tüm sınıflandırıcılara verilir. Her biri bir güven skoru (örneğin olasılık) üretir. En yüksek skoru veren sınıflandırıcının sınıfı, son tahmin olarak seçilir.

Bu yaklaşımın bazı pratik zorlukları vardır:

• Sınıf dengesizliği: Her sınıflandırıcıda olumsuz örnekler, olumlu örneklerden çok daha fazladır. On sınıflı bir problemde her sınıflandırıcı, yaklaşık bire dokuz oranında dengesiz veriyle eğitilir.
• Skorların karşılaştırılabilirliği: Ayrı ayrı eğitilen modellerin skorları aynı ölçekte olmayabilir. Kalibrasyon bu yüzden önemlidir.
• Belirsiz bölgeler: Bazı örnekler için hiçbir sınıflandırıcı emin olmayabilir ya da birden fazlası aynı anda emin olabilir.

Alternatif strateji bire karşı bir (one-vs-one) yaklaşımıdır: Her sınıf çifti için ayrı bir sınıflandırıcı eğitilir ve sonuç oylamayla belirlenir. Daha fazla model gerektirir ama her model daha küçük ve dengeli veriyle eğitilir.

Neden önemli?

Bire karşı tümü, sadece ikili sınıflandırma yapabilen algoritmaları (örneğin klasik destek vektör makineleri ya da lojistik regresyon) çok sınıflı problemlere uygulamanın en basit yoludur. Birçok makine öğrenmesi kütüphanesi bu stratejiyi arka planda otomatik olarak uygular.

Sinir ağlarında ise genellikle tek bir model ve softmax çıktı katmanı kullanılır; bu, tüm sınıfları birlikte değerlendirir. Ancak her örneğin birden fazla etikete sahip olabildiği çok etiketli (multi-label) problemlerde, her sınıf için ayrı sigmoid çıktısı kullanmak, bire karşı tümü fikrinin doğrudan bir uygulamasıdır.

Kullanım alanları

• Klasik ML: İkili algoritmaları çok sınıflı problemlere genişletmek.
• Çok etiketli sınıflandırma: Bir haberi aynı anda "ekonomi" ve "teknoloji" olarak etiketlemek.
• Metin sınıflandırma: Destek taleplerini birden fazla kategoriye ayırmak.
• Tıbbi tanı: Bir hastada birden fazla hastalığın varlığını ayrı ayrı değerlendirmek.
• Modüler sistemler: Yeni bir sınıf eklemek için sadece yeni bir sınıflandırıcı eğitmek.