从二分类到多分类,实际采用的是拆解法思想:将多分类问题拆分成许多二分类问题,为每一个二分类问题训练一个分类器。测试时,对这些分类器的结果进行集成,得到最终预测结果。
根据拆分策略不同,分为以下三类:
一对一(One vs. One, OvO)
训练:将N个类别两两配对,产生N(N−1)/2个二分类任务,每个任务使用一个二分类学习器进行学习;
测试:多个二分类学习器预测得到结果中,最多的类别作为最终的分类结果。
一对其余(One vs. Rest, OvR)
训练:每次将一个类别作为正例,其余其他类别样例均作为反例,产生N个二分类任务;
测试:若仅有一个分类器预测为正类,则属于该分类器所属类别。若有多个二分类器预测为正类,则通常考虑各分类器的预测置信度,选择置信度最大的类别作为分类结果。