机器学习-支持向量机 -- 多分类SVM(1)

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

---

一对一	一对其余
训练M(M-1)/2个分类器，存储开销和测试时间大 训练只用两个类的样例，训练时间短	训练M个分类器，存储开销和测试时间小 训练用到全部训练样例，训练时间长

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

最后

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数初中级Android工程师，想要提升技能，往往是自己摸索成长，自己不成体系的自学效果低效漫长且无助。

因此收集整理了一份《2024年Web前端开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Android开发知识点！不论你是刚入门Android开发的新手，还是希望在技术上不断提升的资深开发者，这些资料都将为你打开新的学习之门！

如果你觉得这些内容对你有帮助，需要这份全套学习资料的朋友可以戳我获取！！

由于文件比较大，这里只是将部分目录截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且会持续更新！

如果你觉得这些内容对你有帮助，需要这份全套学习资料的朋友可以戳我获取！！

由于文件比较大，这里只是将部分目录截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且会持续更新！