上节回顾
多分类SVM
1. 多分类学习概述
2. 多分类学习 -- 一对一
3. 多分类学习 -- 一对多余
4. 一对多 VS 一对其余
5. 多分类学习 -- 多对多
1. 多分类学习概述
（1）多分类学习方法：
二分类学习方法推广到多类
利用二分类学习器解决多分类问题（常用）
对问题进行拆分，为拆出的每个二分类任务训练一个分类器
对于每个分类器的预测结果进行集成以获得最终的多分类结果
（2）拆分策略
一对一（One vs. One, OvO）
一对其余（One vs. Rest, OvR）
多对多（Many vs. Many, MvM）
2. 多分类学习 -- 一对一
一对一：one-against-one, or pairwise classification
设训练集数据共M个类，one-against-one方法是在每两个类之间都构造一个binary SVM。
对第i类数据和第j类数据，训练一个binary SVM，即求解下列二次规划问题。
测试阶段：投票策略（voting strategy）
每个binary SVM根据其决策函数对新数据xnew有一个预测(投票)，以i类和j类之间binary SVM为例，若对xnew的预测为i类，则i类得票加1；否则j类加1；
最终得票最多的类别就是对xnew的预测；
若出现平票的情况，(虽然可能不是一个好方法)，简单地选择索引较小的那个类别作为对xnew的分类。
3. 多分类学习 -- 一对多余
一对多：one-against-all, or one-against-the-rest
对于每一个类，将其作为+1类，而其余M-1个类的所有样本作为-1类，构造一个binary SVM。
4. 一对多 VS 一对其余
预测性能取决于具体数据分布，多数情况下两者差不多
5. 多分类学习 -- 多对多
多对多（Many vs Many, MvM）若干类作为正类，若干类作为反类
纠错输出码（Error Correcting Output Code, ECOC）
