AI 词汇表
人工智能完整词典
一对一
一种多类别分解策略，为每一对可能的类别训练一个二元SVM分类器，最终类别由所有分类器进行多数投票决定。
一对多
一种多类分类方法，为每个类别训练一个独立的SVM分类器，将该类别与所有其他类别（视为一个整体）区分开，最终预测基于决策输出值最高的分类器。
结构化支持向量机
SVM的扩展，旨在处理复杂和结构化的输出（如树或序列），将最大间隔原理推广到高维输出空间。
最大间隔感知器
一种在线学习算法，结合了感知器的更新规则和SVM的最大间隔目标，能有效适应多类分类问题。
Crammer 和 Singer
一种直接的多类SVM公式化方法，与分解方法不同，它为所有类别同时解决一个单一的优化问题，并为每个类别寻找一个分离超平面。
多类合页损失
用于多类SVM的损失函数。如果一个样本的正确类别的得分，没有比所有其他不正确类别的得分高出一定的边界，该函数就会对该样本进行惩罚。
SVM决策树
一种分层架构，其内部节点是二元SVM分类器，逐步划分类别空间，最终到达代表最终类别的叶子节点。
纠错输出码
一种高级技术，它使用二进制码来表示类别，并为每个比特位训练一个二元SVM分类器。即使存在部分分类器失效，也能实现鲁棒的分类。
有向无环图SVM
一对一策略的变体，将二元分类器组织在有向无环图中，消除某些投票计算并加速预测阶段。
多类边际
推广SVM二元边际的概念，定义为正确类别的分数与不正确类别中最高分数之间的差异，用作优化准则。
韦斯顿和沃特金斯公式
多类优化模型，通过为每个不正确类别相对于正确类别施加边际约束来扩展二元SVM，导致二次规划问题。
有序输出SVM
针对类别具有自然顺序的分类问题对SVM的适应性调整，寻找尊重这种有序结构同时最大化边际的超平面。
多类核感知器
将核感知器扩展为多类分类的算法，为每个类别维护一组权重，并使用核技巧处理非线性决策边界。
有序SVM回归
将有序分类问题视为回归任务的方法，其中SVM用于预测数值，然后通过阈值处理获得有序类别。
分层SVM
利用类别之间预先存在的分层结构来构建一系列SVM分类器的方法，通过将问题分解为更简单的子问题来降低计算复杂度。