Обучим на всех объектах тренировочной выборки бинарных классификаторов типа "принадлежит ли объект -ому классу".
В результате получим классификаторов .
Ответ ищется, как .
One-versus-one подход
Обучим бинарных классификаторов следующим образом: для каждой пары обучим бинарный классификатор на тех объектах тренировочной выборки, ответ которых принимает значение или .
В результате получим классификаторов .
На этапе предсказания каждый из всех обученных классификаторов возвращает индикатор принадлежности соответствующему классу. Тот класс, за который проголосовало большинство и будет ответом на данном объекте:
.
Коды, исправляющие ошибки
Каждый номер класса кодируется бинарных вектором , состоящим из бит, причем, .
Строится бинарных классификаторов , которые предсказывают -ый бит.
Ответ ищется как , где --- -ый бит кодового слова для класса .
Чем больше бит используется при кодировании классов, тем более модель устойчива к ошибкам классификаторов.
Кодирование производится рандомно или так, чтобы попарные расстояния Хэмминга между кодами были как можно больше.