[Linear Classification] part 4 - 3

🧑🏻‍💻용어 정리

multiclass classification
One-VS-All
One Hot Encoding

Multiclass Classification

 

• image recognition

 

-> binary classification에서의 문제와 같이, n차원, signal space에서 입력 feature를 plotting 후, 이 입력 feature들을 적절하게 구분할 수 있는 hyper plane을 학습하면서 얻게 됩니다.

 

 

 

어떤 model에서는 multiclass classification문제에서 바로 class id 값을 출력하는 경우들도 있지만,

 

보통은 binary classification 문제를 multiclass classification 문제로 확장을 하는 경우도 우리가 생각할 수 있습니다.

 

이것을

 

One-VS-All

 

이라는 것으로 이해할 수가 있습니다.

 

 

몇 개의 hyper plane을 그려서 multiclass classification 문제를 binary classification model로 하여금 풀 수 있게 할 수 있습니다.

 

이렇게 얻게된 Score 값들의 sigmoid 함수를 사용하게 되면, 확률 값으로 매핑하게 됩니다.

 

One Hot Encoding

 

을 사용하면,

 

두 개의 서로 다른 표 사이에 거리를 가깝게 하면서 학습할 수 있습니다.

 

이는 해당하는 위치에 1을 signaling함으로써 label의 정보를 기록하는 것을 말합니다.

 

ex) [1, 0, 0] , [0, 1, 0], [0, 0, 1], ...

 

이렇게 One Hot Encoding된 label 값과 우리의 sigmoid model이 출력하는 확률 값을 서로 간에 비교하여 loss function을 통해 error를 계산함으로써 학습을 할 수가 있게 됩니다.

 

 

Linear Classification model의 장점 ?

• 간단하다 // 쉽게 구현할 수 있고 쉽게 test할 수 있다.
• 처음에 시도하기에 적합함
• 해석 가능성이 높다.