一、OvO(One vs One)
对每两个类别进行一次二分类学习,若共有d个类别,则需要判断 次,最终的结果可通过投票法产生。
二、OvR(One vs the Rest)
每次选择一个类别作为正例,其余类别作为反例来训练d个分类器,在d个分类器中若有一个预测为正类,则记为最终结果,若有多个预测为正类,则考虑预测的置信度,选择最大的作为最终结果。
三、OvO vs OvR
若仅考虑分类器数量,OvR显然更好,但在实际训练过程中,OvR使用了全部的训练样本,而OvO只使用了两个类别的样本,因此,在类别很多时,OvO表现得更好。
至于预测效果,两者差不多。
四、MvM(Many vs Many)
每次选取若干个类别作为正例,若干个类别作为反例,可以有没被选择的类别,按照该方法选择k次,构造了k个分类器并进行了k次分类,最终选择其判断错误最少的类别。例如下图(来源于《机器学习》周志华)
故我们选择
作为最终类别。
Thanks for reading!----written by LiHao