Uma comparação de métodos para máquinas de vetor de suporte multiclasses

As máquinas de vetor de suporte (SVMs) foram originalmente projetadas para classificação binária. Como estendê-las efetivamente para classificação multiclass é ainda uma questão de pesquisa em andamento. Vários métodos foram propostos, onde tipicamente construímos um classificador multiclass combinando vários classificadores binários. Alguns autores também propuseram métodos que consideram todas as classes ao mesmo tempo. Como é computacionalmente mais caro resolver problemas multiclass, comparações desses métodos usando problemas em larga escala não foram realizadas de forma séria. Especialmente para métodos que resolvem SVM multiclass em um único passo, um problema de otimização muito maior é necessário, então até agora os experimentos estão limitados a pequenos conjuntos de dados. Neste artigo, apresentamos implementações de decomposição para dois desses métodos "todos-juntos". Em seguida, comparamos seu desempenho com três métodos baseados em classificações binárias: "um-contra-todos", "um-contra-um", e o gráfico acíclico dirigido SVM (DAGSVM). Nossos experimentos indicam que os métodos "um-contra-um" e DAG são mais adequados para uso prático do que os outros métodos. Os resultados também mostram que para grandes problemas, métodos que consideram todos os dados de uma vez em geral precisam de menos vetores de suporte.