OVR vs OVO: ศึกสองแนวคิดของ Machine Learning

กลยุทธ์ One-vs-Rest (OvR) และ One-vs-One (OvO) เป็นวิธีการแปลงปัญหา Multi-class Classification ให้เป็นชุดของ Binary Classificationเพื่อใช้กับโมเดลที่รองรับแค่การจำแนก 2 Classes เช่น Logistic Regression, SVM เป็นต้น

1. One-vs-Rest (OvR)

แนวคิด: สร้างโมเดลหนึ่งตัวต่อหนึ่งคลาส โดยเปรียบเทียบ คลาสนั้นกับคลาสอื่นทั้งหมด

ถ้ามี K คลาส → จะได้ K โมเดล

ตัวอย่าง

• คลาส A vs (B, C, D)
• คลาส B vs (A, C, D)
• คลาส C vs (A, B, D)

การทำนาย: เลือกโมเดลที่ให้ probability สูงสุด หรือ score สูงสุด

ข้อดี: ใช้ง่ายและเร็วกว่า OvO เมื่อจำนวนคลาสเยอะ

ข้อเสีย: อาจมีปัญหา imbalance เพราะกลุ่ม "Rest" ใหญ่มากo โมเดลต้องแยกหลายคลาสพร้อมกัน

2. One-vs-One (OvO)

แนวคิด: สร้างโมเดลสำหรับ ทุกคู่ของคลาส

ถ้ามี K คลาส → จะได้ K(K-1)/2 โมเดล

ตัวอย่าง

• A vs B
• A vs C
• B vs C

การทำนาย: ใช้ Voting จากทุกโมเดลคู่

ข้อดี: แต่ละโมเดลง่ายกว่า เพราะแยกแค่ 2 คลาส

ข้อเสีย: จำนวนโมเดลเยอะมากเมื่อคลาสเยอะ → ใช้เวลาและทรัพยากรสูง

สรุปการเลือกใช้

• OvR เหมาะกับ จำนวนคลาสเยอะ, โมเดลที่เทรนเร็ว
• OvO เหมาะกับ โมเดลที่เทรนช้าแต่แม่นยำ เช่น SVM, และจำนวนคลาสไม่มาก

ตารางเปรียบเทียบ One-vs-Rest (OvR) และOne-vs-One (OvO):