怎麼樣把兩類的分類的模型推廣到多類上？
答：a.一對多法（one-versus-rest,簡稱ovr svms）。訓練時依次把某個類別的樣本歸為一類,其他剩餘的樣本歸為另一類，這樣k個類別的樣本就構造出了k個svm。分類時將未知樣本分類為具有最大分類函式值的那類。
b.一對一法（one-versus-one,簡稱ovo svms或者pairwise）。其做法是在任意兩類樣本之間設計乙個svm，因此k個類別的樣本就需要設計k(k-1)/2個svm。當對乙個未知樣本進行分類時，最後得票最多的類別即為該未知樣本的類別。libsvm中的多類分類就是根據這個方法實現的。
c.層次支援向量機（h-svms）。層次分類法首先將所有類別分成兩個子類，再將子類進一步劃分成兩個次級子類，如此迴圈，直到得到乙個單獨的類別為止.
如現在有三個分類 1， 2， 3 ==> 1 vs 2， 3
2 vs 3
七個分類 1， 2， 3， 4，5， 6， 7
1， 2， 3， | 4， 5， 6， 7
1， || 2， 3 | 4， 5 ||| 6， 7
2||||4 4|||||5 6||||||7
二分類實現多分類
很多分類器在數學解釋時都是以二分類為例，其數學推導不適用於多分類，模型本身也只能用於二分類，如svm，adaboost 但是現實中很多問題是多分類的，那這些模型還能用嗎 改變這些模型的原理，重新推導數學公式，然後 實現。這種方法一般不可取，難度大，而且很麻煩 也叫一對其餘法 假設有n個類，每次把乙個...
從二分類到多分類
從二分類到多分類，實際採用的是拆解法思想 將多分類問題拆分成許多二分類問題，為每乙個二分類問題訓練乙個分類器。測試時，對這些分類器的結果進行整合，得到最終 結果。根據拆分策略不同，分為以下三類 一對一 one vs.one,ovo 訓練 將n個類別兩兩配對，產生n n 1 2個二分類任務，每個任務使...
從二分類到多分類的遷移策略
一般情況下問題研究為二分類問題，在解決多分類問題時有時可以直接推廣到多分類，有時不能，不能推廣的時候主要用三種拆分策略對問題進行研究 一對一的策略 給定資料集dd這裡有nn個類別，這種情況下就是將這些類別兩兩配對，從而產生n n 1 2個二分類任務，在測試的時候把樣本交給這些分類器，然後進行投票 一...