在每本书和示例中，它们总是只显示二进制分类（两个类），新向量可以属于任何一个类。
这里的问题是我有 4 个类（c1、c2、c3、c4）。我有 4 个类的训练数据。
对于新向量，输出应该是这样的
C1 80%（获胜者）
c2 10%
c3 6%
c4 4%
如何做到这一点？我打算使用 libsvm （因为它最流行）。我对此了解不多。如果你们中的任何人以前使用过它，请告诉我我应该使用的具体命令。
【问题讨论】：
标签： machine-learning svm libsvm
您始终可以通过递归地选择类集的随机分区，将多类分类问题简化为二元问题。这不一定比一次学习更有效或效率更低，因为子学习问题需要更少的示例，因为分区问题更小。 （它可能最多需要一个恒定的订购时间，例如两倍的时间）。它还可能导致更准确的学习。
我不一定推荐这个，但它是您问题的一个答案，是一种可以应用于任何二元学习算法的通用技术。
【讨论】：
常用的方法是一对一休息和一对一。 在第一种方法中，您得到 n 个分类器，结果类将获得最高分。 在第二种方法中，结果类是通过所有分类器的多数票获得的。
AFAIR，libsvm 支持多类分类的两种策略。
【讨论】：
LibSVM 使用 one-against-one 方法解决多类学习问题。来自FAQ：
问：libsvm 对多类 SVM 使用什么方法？你为什么不使用“1-against-the rest”的方法呢？
这是一对一的。我们在做了以下比较后选择了它：C.-W。许和 C.-J。林。 A comparison of methods for multi-class support vector machines, IEEE Transactions on Neural Networks, 13(2002), 415-425。
“1-against-the rest”是一种很好的方法，其性能与“1-against-1”相当。我们做后者只是因为它的训练时间更短。
【讨论】：
使用 SVM 多类库。在the SVM page by Thorsten Joachims 找到它
【讨论】：
它没有用于多类预测的特定开关（命令）。如果您的训练数据集包含两个以上的类，它会自动处理多类预测。
【讨论】：
与二进制预测相比没有什么特别的。关于基于 SVM 的 3 类预测，请参见以下示例。
install.packages("e1071")
library("e1071")
data(iris)
attach(iris)
## classification mode
# default with factor response:
model <- svm(Species ~ ., data = iris)
# alternatively the traditional interface:
x <- subset(iris, select = -Species)
y <- Species
model <- svm(x, y)
print(model)
summary(model)
# test with train data
pred <- predict(model, x)
# (same as:)
pred <- fitted(model)
# Check accuracy:
table(pred, y)
# compute decision values and probabilities:
pred <- predict(model, x, decision.values = TRUE)
attr(pred, "decision.values")[1:4,]
# visualize (classes by color, SV by crosses):
plot(cmdscale(dist(iris[,-5])),
col = as.integer(iris[,5]),
pch = c("o","+")[1:150 %in% model$index + 1])
【讨论】：
data=load('E:\dataset\scene_categories\all_dataset.mat');
meas = data.all_dataset;
species = data.dataset_label;
[g gn] = grp2idx(species); %# nominal class to numeric
%# split training/testing sets
[trainIdx testIdx] = crossvalind('HoldOut', species, 1/10);
%# 1-vs-1 pairwise models
num_labels = length(gn);
clear gn;
num_classifiers = num_labels*(num_labels-1)/2;
pairwise = zeros(num_classifiers ,2);
row_end = 0;
for i=1:num_labels - 1
row_start = row_end + 1;
row_end = row_start + num_labels - i -1;
pairwise(row_start : row_end, 1) = i;
count = 0;
for j = i+1 : num_labels
pairwise( row_start + count , 2) = j;
count = count + 1;
end
end
clear row_start row_end count i j num_labels num_classifiers;
svmModel = cell(size(pairwise,1),1); %# store binary-classifers
predTest = zeros(sum(testIdx),numel(svmModel)); %# store binary predictions
%# classify using one-against-one approach, SVM with 3rd degree poly kernel
for k=1:numel(svmModel)
%# get only training instances belonging to this pair
idx = trainIdx & any( bsxfun(@eq, g, pairwise(k,:)) , 2 );
%# train
svmModel{k} = svmtrain(meas(idx,:), g(idx), ...
'Autoscale',true, 'Showplot',false, 'Method','QP', ...
'BoxConstraint',2e-1, 'Kernel_Function','rbf', 'RBF_Sigma',1);
%# test
predTest(:,k) = svmclassify(svmModel{k}, meas(testIdx,:));
end
pred = mode(predTest,2); %# voting: clasify as the class receiving most votes
%# performance
cmat = confusionmat(g(testIdx),pred);
acc = 100*sum(diag(cmat))./sum(cmat(:));
fprintf('SVM (1-against-1):\naccuracy = %.2f%%\n', acc);
fprintf('Confusion Matrix:\n'), disp(cmat)
【讨论】：
使用 SVM 进行多类分类； 它不是（一对一）也不是（一对 REST）。
改为学习一个二分类器，其中特征向量为 (x, y)，其中 x 是数据，y 是与数据关联的正确标签。
训练差距是正确类的值与最近的其他类的值之间的差异。
在推理时选择具有最大值的“y” (x,y) 的值。
y = arg_max(y') W.(x,y') [W为权重向量，(x,y)为特征向量]
【讨论】：