许多机器学习算法，如支持向量机、逻辑回归等，是针对二元分类设计的，因此需要某种方法来将二分类器进行转换，从而应用于多分类问题。下面两个是常用的方法：

1. One vs Ove（OVO）
2. One vs Rest（OVR） 或者 One vs All （OVA）

1. One-vs-One

OVO 创建多个二分类器来解决多分类问题。例如，如果有 \(N\) 个类别，那么就会有 \(N \times (N-1) \div 2\) 个分类器，并通过投票或者其他决策方法来确定最终的分类结果。

假设有三个类别：狗、猫、和鸟。我们需要创建 𝑁×(𝑁−1)÷2 = 3 二分类器：

1. 狗 vs 猫
2. 狗 vs 鸟
3. 猫 vs 鸟

当需要对新样本进行分类时候，将样本输入到每个二分类器中，得到：

1. 对于狗 vs 猫的分类器，假设它给出的概率是：
   • 狗：0.6
   • 猫：0.4
2. 对于狗 vs 鸟的分类器，假设它给出的概率是：
   • 狗：0.8
   • 鸟：0.2
3. 对于猫 vs 鸟的分类器，假设它给出的概率是：
   • 猫：0.3
   • 鸟：0.7

接下来，我们将每个类别的概率值相加，选择最高概率总和的类别作为最终的预测标签。在这个例子中，我们的概率总和如下：

• 狗：0.6 + 0.8 = 1.4
• 猫：0.4 + 0.3 = 0.7
• 鸟：0.2 + 0.7 = 0.9

最终新样本预测为狗类别。

2. One-vs-Rest

OVR 也是通过创建 \(N\) 个二分类器，每个分类器用于区分一个类别与其他所有类别的情况。最后，通过投票或其他决策方法确定最终的分类结果。假设已经训练好了 3 个二分类器为：

1. 狗 vs 其他类别
2. 猫 vs 其他类别
3. 鸟 vs 其他类别

现在，假设有一个新样本需要进行分类。我们将新样本输入到每个分类器中，并获取每个分类器对于该样本属于其指定类别的概率。假设结果如下：

1. 对于狗 vs 其他类别的分类器，它给出的概率是：
   • 狗：0.6
   • 非狗：0.4
2. 对于猫 vs 其他类别的分类器，它给出的概率是：
   • 猫：0.7
   • 非猫：0.3
3. 对于鸟 vs 其他类别的分类器，它给出的概率是：
   • 鸟：0.5
   • 非鸟：0.5

这些数据表示每个分类器对于新样本属于其指定类别的概率，我们选择最高概率的类别作为最终的预测结果。在这个例子中，猫类别的概率最高（0.7），所以我们可以将这个新样本分类为猫。