問題のI.説明
多くの場合、マルチ分類学習課題に直面する現実には、いくつかの2クラスの学習方法は、直接、複数の分類に拡張することができますが、より多くのケースでは、我々は、マルチ分類問題を解決するために、2つのクラスの学習をされ使用して、いくつかの基本的な戦略に基づいています。
NクラスCがあると仮定1は、C 2は、......、C N学ぶために、複数の分類器の基本的な考え方は、「法の解体」され、今後のマルチ分類タスクは二分タスク解決の数に分割しました。具体的には、分割された最初の質問は、その後のようにして分割しました
分類器を訓練する各バイナリ分類タスク。試験中に、これらの突起分類の結果は、最終的なマルチ分類結果を得るために統合されています。そのため、マルチ分類タスクを分割する方法をキーです。ここに
3つの古典解像度戦略を導入出演：1（ワンVSワン、OVOと呼ばれる）、残りの1組（MVMを呼び、多くの対Mnay）の多くに多く、（休憩対一つを、OVR呼ばれます）。
第二に、分割戦略
所与のデータセット= {D（X 1、Y 1）、（X 2、Y 2）、......、（XのM、YのM）}、Yは、Iは C {属する。1、C 2、。 ···、C N }
1、OVO戦略
OVO Nクラスは、それによって（N-1）/ 2バイナリ分類タスクNを生成し、両者を一致する、例えば卵カテゴリC区別するI、C Jの列分類器、D Cの分類器Iクラス正例サンプルとして、C Jのクラスサンプルカウンタとして
ケース。テストフェーズでは、新しいサンプルがすべての選別機に同時に提出されるだろう、私たちはN（N-1）/ 2カテゴリーの結果を得るでしょう、最終的な結果は投票によって生成することができます。例を図1に示します。
2、OVR戦略
サンプルはクラスとして肯定の場合、例として、他のクラスのみ予測正クラス分類場合、テストの訓練を受けたすべての反例N分類、対応するカテゴリとして符号れるたびOVR最終的な分類結果
これにより、例えば、図1に示します。
1、卵及び概略図OVR
3、MVM戦略
MVMは、正のクラスとして、各クラスの数は、抗クラスなどの他のクラスの数です。明らかに、OVOとOVRは、彼女の特殊なケースです。明らかに、クラスのコンストラクタのMVMの前面と背面には特別なデザインを持っている必要があり、ランダムに選択することができません。ここではご紹介
最も一般的に使用される技術のMVM：補正された出力コード（ECOC）。
ECOCは、復号化の過程でできる限りのカテゴリを分割し、フォールトトレラントのアイデアを紹介する符号化されています。ECOCワークプロセスは、2つのステップで構成されています。
（1）コード：Mは、それによってバイナリ分類トレーニングセットを形成し、各時間は、抗クラスの一部として指定されたn型カテゴリとして指定された部分を分割し、N個のクラス分け回、からなり、Mトレーニングセットの合計を生成、訓練可能なMのトレーニング器具。
（2）復号：M分類符号化予測フラグを構成する各試験試料予測。これは、この符号化それぞれが最も最小距離カテゴリ最終的な予測結果を返すそれぞれのカテゴリを、コードと比較されます。