将SVM用于多类分类

标签：空间   alt   blog   速度   错误   节点   最大   平面   span   

转自：http://www.lining0806.com/%E5%B0%86svm%E7%94%A8%E4%BA%8E%E5%A4%9A%E7%B1%BB%E5%88%86%E7%B1%BB/

　　SVM是一种典型的二类分类器，是采用最大间隔化策略来确定特征空间中最优超平面的，也就是说它只能回答属于正类还是负类的问题。而现实中要解决的往往是多类分类问题，如何将一个二类分类器转换成一个多类分类器呢？

一、一对多方法

　　比如有k个类别，每次分类都把1个类别作为正样本，其余k-1个类别作为负样本，依次类推。这样共有k个分类器。

分类时这k个分类器依次对相应类别回答“是”或“不是”，最后得到“是”的类别即为所属类别。

复杂度：k
优点：分类速度快
缺点：一对多，样本不均衡。分类重叠现象或者分类不可分现象。

二、一对一方法

　　比如有k个类别，每次分类都把1个类别作为正样本，另外1个类别作为负样本，依次类推。这样共有k*(k-1)/2个分类器。

分类时这k*(k-1)/2个分类器依次回答属于两个类别中的哪一类，最后投票统计得票数最高的那个类别即为所属类别。

复杂度：k*(k-1)/2
优点：没有分类不可分现象。
缺点：分类重叠现象。

三、DAG方法

　　DAG的结点从上到下依次为1,2,3,…,k-1个。这样共有k*(k-1)/2个分类器。 这种方法是构造一个DAG SVM，（有向无环的svm)。 还是像一对一方法那样来训练，只是在对一篇文章进行分类之前，先按照下面图的样子来组织分类器这样在分类时,我们就可以先问分类器“1对5”（意思是它能够回答“是第1类还是第5类”），如果它回答5，我们就往左走，再问“2对5”这个分类器，如果它还说是“5”，我们就继续往左走，这样一直问下去，就可以得到分类结果。

复杂度：k-1
优点：分类速度快，没有分类重叠现象或者分类不可分现象。
缺点：分类错误累积(前面分类器分类错误，后面分类器无法纠正)，从上到下节点的选取技巧(参照置信度)。

将SVM用于多类分类

标签：空间   alt   blog   速度   错误   节点   最大   平面   span   

原文地址：http://www.cnblogs.com/xingshansi/p/6896577.html