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。