我有一个 3 类样本标记数据集，我将其分为两部分。我正在使用第一部分来训练两类感知器分类器。

一种方法是训练$\binom{3}{2}$一次对两个类的训练数据进行二类分类器，然后使用投票对多类案例的测试样本进行分类。上述方法的明显问题是存在如下图所示的模糊区域：

Duda、Hart、Stork 的模式分类建议训练$c$不同的线性判别函数，其中$c$是唯一类的数量，这样

并分配$X$至$\omega_{i}$如果$g_{i}(X) > g_{j}(X)$. 由此产生的分类器在教科书中被称为线性机器。

以下是书中的插图，显示了线性机器为 3 类问题生成的决策边界。

我的疑问是培训过程如何$c$线性判别函数$g_{i}(X)$不同于训练$\binom{c}{2}$2类分类器？

更新： DavidDLewis 的回答中提到的 one vs rest 方法不是我所指的方法。使用 one vs rest 方法，实际上有更多模糊的区域。我指的是没有模糊区域的线性机器分类器。请参阅下面的 1 vs rest 方法的图示：