引言
很多分类器在数学解释时都是以二分类为例，其数学推导不适用于多分类，模型本身也只能用于二分类，如SVM，Adaboost ，
但是现实中很多问题是多分类的，那这些模型还能用吗
二分类 to 多分类
更改数学原理
改变这些模型的原理，重新推导数学公式，然后代码实现。
这种方法一般不可取，难度大，而且很麻烦
一对多法
也叫一对其余法
假设有N个类，每次把一个类作为正例，其他类作为反例，训练一个二分类器，然后再拿一个类作为正例，其他类作为反例，再训练一个二分类器，依次训练N个分类器，组成多分类器。
如何进行预测呢？
假设有5个类，来个新样本，
放入第一个二分类器（假设2为正例），看看是不是2类，如果是，记下一个{2}，如果不是，记下一个{1 3 4 5} ，
然后放入下个二分类器（假设1为正例），看看是不是1类，如果是，记下一个{1}，否则，记下{2 3 4 5}，
依次...
最后统计记下的结果，被分为每个类别的次数，取max
这个过程用如下图表示
左图
1. 每条直线就是一个二分类器，每次都把一个类和其他类分开
2. 三叉线为多分类器，实际上这条线是不存在的
3. 直线之间不可能平行，那必然相交，这意味着什么呢？
// 来看紫色的点
// 在三角和其他类的分类器中，被分为三角；在方形与其他类的分类器中，被分为方形；在圆圈与其他类的分类器中，被分为{三角 方形}
// 此时 三角和方形 2:2 打平，那到底紫色点属于哪一类？只能随便挑
// 这就是说存在一些模棱两可的分类区域
右图
紫色区域就是模棱两可的分类区域
一对一法
与一对多法思路类似，方法不同
假设有N个类，每次从中取2个类，训练一个二分类器，总共需要 CN2=N*(N-1)/2个分类器，组成多分类器。
那如何预测呢？
假设有5个类，来个新样本，
放入第一个分类器（1and2），若是1，记为{1}，否则记为{2}；
放入第二个分类器（1and3），若是1，记为{1}，否则记为{3}；
依次...
最后统计结果，被分到每个类的次数，取max
这种方法会不会产生一对多法的阴影呢？也会，如下图
从图上看出阴影部分小很多。
所以一对一法的准确率要高于一对多法，但其分类器个数较多， N*(N-1)/2-2，训练速度慢
多对多法
分为两个步骤
1. 编码：对N个类别进行M次不同的划分，然后训练M个二分类器。
2. 解码：M个二分类器分别对样本进行预测，得到M长的编码向量。
把编码向量与每个类别对应的向量进行比较，如计算距离，取距离最近的作为目标类别。
这里的类别划分通过编码矩阵指定，编码矩阵主要有，二元码（每个类别分别指定正类反类），三元码（正，反，停用）
计算距离时，可以灵活计算，如每个分类器 的编码与预测编码相减，取绝对值，如上图，相同时相减为0，不同时相减取绝对值为2，和C1类别相比有3个分类器结果不同，最后计算距离为3，
当然也可以不同为1，同为0，最后选出的结果也是一样的
一般来说编码越长，意味着分类器越多，计算量也越大，但不一定效果越好
层次分类法
如层次支持向量机 H-SVMs
首先将所有类别分为2类，训练一个二分类器，然后将每个子类分为2类，训练二分类器，依次，直到所有类分开。
1， 2， 3， 4，5， 6， 7
1， 2， 3， | 4， 5， 6， 7
1， || 2， 3 | 4， 5 ||| 6， 7
2||||3 4|||||5 6||||||7
这种方法的预测可以依次送入二分类器，得到一个确切的类即可停止。
参考资料：
http://www.cnblogs.com/litthorse/p/9332370.html
https://blog.csdn.net/hit2015spring/article/details/72902927