支持多类的svm分类器，带样例，带详细注释，大家一起交流学习吧

程序流程 1.将数据进行预处理。 2.通过一对一方法将45类训练样本（(0,1),(0,2),…(1,2)…(2,3)）送入交叉验证法，训练算法为smo 3.得出45个模型，测试时在利用投票法判定 数据结构 '''*************************************************************** * @Fun_Name : judgeStruct: * @Function : 存放训练后的分类器参数 * @Parameter : * @Return : * @Creed : Talk is cheap

自己保存而已

手写体数字字符串识别常用于邮件自动分拣、银行票据和财务报表的录入中，针对其分割识别算法复杂度较高、准确率较低的问题，提出一种多分类器下无分割手写数字字符串识别算法。该算法的核心是采用四个分类器实现粘连字符串的无分割识别；将残差结构应用于LeNet-5网络，以增加网络深度，提高识别准确率，加快收敛速度；使用动态选择策略，以避免长度分类器误分类对识别结果的影响。实验结果表明，在NIST SD19一位数字和Synthetic数据集训练网络下，使用NIST SD19上长度为2、3、4、5、6的字符串验证网络，其识别准确率分别为99.3%、98.5%、98.1%、96.6%和97.2%。

基本概念 precision：预测为对的当中，原本为对的比例（越大越好，1为理想状态） recall：原本为对的当中，预测为对的比例（越大越好，1为理想状态） F-measure：F度量是对准确率和召回率做一个权衡（越大越好，1为理想状态，此时precision为1，recall为1） accuracy：预测对的（包括原本是对预测为对，原本是错的预测为错两种情形）占整个的比例（越大越好，1为理想状态） fp rate：原本是错的预测为对的比例（越小越好，0为理想状态） tp rate：原本是对的预测为对的比例（越大越好，1为理想状态） ROC曲线通常在Y轴上具有真阳性率，在X轴上具有假阳性率。

一对一 一对多 的分类方法 初学者可以学习学习

在进行遥感图像多分类识别时, 针对使用传统方法遇到的分类模型特征提取困难、分类精度不理想、分类种类少等问题, 研究了卷积神经网络(CNN)模型在高光谱遥感地物多分类识别中的可行性及不同CNN 模型对高光谱遥感地物多分类的识别效果。从ISPRS(International Society for Photogrammetry and Remote Sensing)提供的Vaihingen及Google Earth中采集数据,制作了包含6类地物的数据集一。在此基础上增加10类地物制作数据集二, 再增14类地物制作数据集三。在预处理图像数据之后, 通过设置神经网络结构、调整模型参数、对比神经网络模型等, 上述3类数据集的地物分类识别率均达到95%以上。通过分析不同CNN模型对高光谱遥感地物多分类识别效果的影响, 证实了CNN模型在高光谱遥感地物多分类识别应用的可行性且具有较高的识别率。实验结果为CNN模型在高光谱遥感地物多分类识别中的应用提供了一定的参考。

用softmax Regression模型解决线性可分问题，数据预处理问题，上采样，下采样，交叉验证等问题。

使用softmax 进行多分类，有py文件.html文件，ipynb文件。仅供参考学习。

对多分类支持向量机几种算法进行分析, 系统地比较了各种算法的性能