基本思路
利用二分类学习器解决多分类问题。考虑N个类别C1,C2,...,CN,多分类学习的基本思路是“拆解法”，即将多分类问题拆分，然后为拆出的每个二分类任务训练一个分类器；在测试的时候，对每个分类器的预测结果进行集成，然后获得多分类结果。
具体方法
拆分策略：“一对一”(OvO)，“一对其余”(OvR)，“多对多”(MvM)
对给定的数据集D=(x1,y1),(x2,y2),...,(xm,ym),yi∈C1,C2,...,CN.
OvO:将这N个类别两两配对，从而产生N(N−1)/2个二分类任务，例如OvO将为区分类别Ci和Cj训练一个分类器，把Ci类样例作为正例，Cj类样例作为反例。在测试阶段，将N(N−1)/2个二分类结果通过投票产生最终结果：将预测最多的类别作为最终分类结果。
OvR：将一个类作为正例、剩下的作为负例来训练N个分类器。若有一个分类器被分为正例，则被标记正例的类即为最终分类结果，若有多个，则求取每个类别的置信度，选取置信度最大的类别作为最终结果。
MvM:将若干个类作为正类，剩下的若干类为反类，通过“纠错输出码（ECOC）”来选取正反类。
process：
1.编码：对N个类别做M次划分，每次划分将一部分类别划分为正类，一部分划分为反类，从而形成一个二分类训练集；这样一共产生M个训练集，可训练出M个分类器。
2.解码：对M个分类器分别对测试样本进行预测，这些预测标记组成一个编码。将这个预测编码与每个类别的各自编码进行比较，返回其中最小的类别作为最终预测结果。
如下例：
对于向量X=(x1,x2,x3,x4...,xn);Y=(y1,y2,y3,y4...,yn)
欧氏距离：
D1=(y1−x1)2+(y2−x2)2+(y3−x3)2+...+(yn−xn)2−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−√
海明距离：D2=∑ni=1II(xi≠yi)
