多类别分类问题一直以来就是机器学习领域中的重点研究对象,随着互联网络以及数据挖掘技术的不断发展,如何准确快速地处理类别数较多的多类别分类问题已经成为了研究和应用的热点。 输出编码是解决多类别分类问题的一般性框架。大多数研究使用预先定义的输出编码来达到分类的目的。One-against-all,One-against-one是最常用的多类别处理方法,将多类别问题纳入一个优化问题处理也得到了大量的研究。最近连续编码的概念已经被提出,并以此进行了编码的自动设计。这些研究将编码设计的问题归结为一个有约束的优化问题,但是这些方法需要解大量的优化问题,导致了复杂的计算从而影响到算法的效率。本文提出了解决多类别分类问题的一般性方法,它利用最小最大概率机的概率信息和间隔信息启发式地解决了编码设计问题。在我们的算法中将一个减少了迭代次数的分类器视为弱化了的分类器,同时保留分类器的间隔属性和几何特性。最后我们利用高维映射将分类器输出映射到特征空间,使用核技巧来提升整体性能。在弱化阶段我们大量减少了整体的迭代次数而合成阶段利用非线性映射来提升性能。我们对算法进行了数值试验,与其它算法报告的最好结果相比,算法取得了较好的结果。