SVMs(Surport Vector Machines)是用來解決兩分類問題的，直接用SVMs實現多分類是不行的，只能使用下面這些間接的方法：

（1）1-v-r，即對於每一個分類，訓練一個該分類和其他分類的分類器，如對於類k，k是一類，所有其他的是另一類，這樣就需要訓練k個分類器。對未知樣本分類時，哪個分類器的函數值最大，就屬於哪一個類。

（2）1-v-1，對於每兩個類之間都訓練一個分類器，如果有n個類，就需要n(n-1)/2個分類器。對未知樣本分類時，一次用這n(n-1)/2個分類器分類，屬於一個類就+1，最後得分最高的是哪個類，就作為最終的分類結果。

（3）有向無環圖（DAG），和1-v-1類似，也需要訓練n(n-1)/2個分類器，區別就在於這些分類器構成了一個有向無環圖，對未知樣本分類時，減少了用來判斷的分類器的數量，但是仍然需要訓練n(n-1)/2個分類器。

（4）糾錯編碼。

（5）層次SVMs。

（4）和（5）也是很復雜的，總之用SVMs來實現多分類是很復雜的。

SVM多分類