我会使用DAGSVM方法，它构造成对分类器树。如果每个类只有 100 个模式，但有数万个类，那么很多成对分类器将没有训练数据，因此并非每个可能的成对分类器都需要构建。

然而，更重要的是，很难考虑有这么多类的问题，其中分类在某种意义上不是分层的。更好的方法是首先构建一个分类器，将每个模式分类为大类（表示一组相关类），然后使用每个大类迭代地细化模式，以识别类之间更精细的区别。

看看 Vowpal Wabbit。它是随机梯度体面的一种实现，对于大规模数据集非常有效。如果您选择正确的参数，它可以模拟 SVM（铰链损失）。它还包括一个名为Error-Correcting Tournaments的减少，这对于多个课程非常有效。

有些分类模型本质上是多类的，没有纠错码或一对一。一些流行的是神经网络、线性判别分析、随机森林、朴素贝叶斯和 kNN。训练时间通常会增加一点，但它比 one-vs-rest 分类更有效。有一个结构 SVM 的多类公式，值得一提。虽然我自己没用过。