机器学习——支持向量机SVM之多分类问题

目录

 

方法1:改造目标函数与限制条件

方法2:一类对其他类(类数为N,需要建立N个SVM模型)

情形1:多个SVM模型结果交集得出确切归类

情形2:多个SVM模型结果交集没有得出确切归类

方法3:一类对一类(类数为N,需要建立SVM模型为N*(N-1)/2个)


方法1:改造目标函数与限制条件

这个方法不太实用

机器学习——支持向量机SVM之多分类问题

方法2:一类对其他类(类数为N,需要建立N个SVM模型)

即将其他类合并为一类,另一个类独立出来,常用来处理三类问题,测试样本的分类通过交集来完成

情形1:多个SVM模型结果交集得出确切归类

机器学习——支持向量机SVM之多分类问题

情形2:多个SVM模型结果交集没有得出确切归类

机器学习——支持向量机SVM之多分类问题

机器学习——支持向量机SVM之多分类问题

方法3:一类对一类(类数为N,需要建立SVM模型为N*(N-1)/2个)

这种方法就是将多类中的每一类与剩下的类逐一进行建立SVM模型,对测试样本进行归类,最后将测试样本归类到占比大的那一类,类似于投票的性质,票数多的类就将样本归类到这一类

这是最常用的方法,最有效的方法,但SVM模型多,计算时间长

机器学习——支持向量机SVM之多分类问题