执行多类SVM的最佳方法

我知道SVM是二进制分类器。我想将其扩展到多类SVM。哪种方法是最好的，也许是最简单的？

代码：在MATLAB中

   u=unique(TrainLabel); 
    N=length(u); 
    if(N>2)    
        itr=1;    
        classes=0;   
        while((classes~=1)&&(itr<=length(u)))   
            c1=(TrainLabel==u(itr));    
            newClass=double(c1); 
            tst = double((TestLabel == itr));
            model = svmtrain(newClass, TrainVec, '-c 1 -g 0.00154');  
            [predict_label, accuracy, dec_values] = svmpredict(tst, TestVec, model);    
            itr=itr+1;   
        end
        itr=itr-1;
    end

如何改善呢？

有许多用于多类分类的方法。与SVM无关的两个经典选项是：

1. 一对多（OVA）分类：
   假设您具有类A，B，C和D。不是进行四向分类，而是训练四个二进制分类器：A vs. not-A，B vs. not-B ，C与非C，以及D与非D。然后，选择“最佳”的阳性类别（例如，在所有四个行程中距边缘都最远）。如果所有分类都不是肯定的（即它们都不都是X），则选择最差的分类（例如，最接近页边距）的“对立”。

2. All-vs-All：
   训练所有可能的分类对。通过某种因素（例如，选择的次数）对课程进行排名，然后选择最佳课程。

哪种方法效果最好一直存在争议： Duan和Keerthi进行了一项经验研究，提出了一种特定的“ 万事通”方法，而Rifkin和Klautau则主张“ 万事通”方案。甚至有些方案中，人们可以学习描述类标签而不是标签本身的纠错码。

祝好运！

编辑：您真正想要的，尤其是对于OVA，是每个类别的后验概率。对于某些方法，例如朴素贝叶斯（Naive Bayes），要摆脱困境并不容易。SVM通常不给您概率，但是有一些方法可以计算它们。请参见John Platt的1999年论文“支持向量机的概率输出...”。

让我补充说，正在将SVM扩展到多个类（与Matt Krause描述的方法分解为几个二进制分类任务相反）。一项重要的工作是：关于基于多核的向量机的算法实现