将基本二分类分类器转化为多类别分类器

主要的两种策略是：一对多方法；一对一方法。

一对一方法是在任意两类样本之间设计创建一个二值分类器，对每一个样本都需要用所有的二值分类器进行分类，然后得票最多的类别即为该未知样本的预测类别。这样的话，两类样本我们就要设计C22个分类器，三类样本就要设计C23个分类器。当我们有n个类别的时候，就必须设计C2N个分类器，这种方法非常消耗计算机资源。

另外一种实现多类分类器的方法是一对多，其为每类创建一个分类器，最后的预测类别是具有最大SVM间隔的类别。相比如上种方法，这种方法是很省资源的。我们将使用高斯核函数的非线性多类SVM模型。本数据集含有六个类别，脚跟着地，全足放平支撑，重心前移，脚跟离地，脚尖蹬离地，摆动腿，我们将为它们创建六个个高斯核函数SVM来预测。我们这里采用TensorFlow机器学习框架。首先，用SVM1区分脚跟着地与其他行走模式，定义为y=+1表示脚跟着地，用y=-1表示其他行走模式，将脚跟着地区分出来。然后用SVM2区分全足放平支撑和其他行走模式。以此类推，实现对六种行走模式的区分。当一个测试样本输入的时候，每个分类器对分别对该样本判定投票，得票最多的样本为最终结果。