（你可能想先看看下面的“表格”）

让我们从“经典”支持向量机开始。这些学习区分两个类别。您收集 A 类的一些示例，B 类的一些示例，并将它们都传递给 SVM 训练算法，该算法会找到最能将 A 与 B 区分开来的线/平面/超平面。这很有效——而且通常效果很好——当您想要区分明确定义和互斥的类：男人与女人、字母表中的字母等等。

但是，假设您想要识别“A”。您可以将此视为分类问题：如何区分“A”和“非 A”。收集一个由狗的图片组成的训练集相当容易，但是你的非狗训练集应该包含什么？由于有无数种不是狗的东西，你可能很难构建一个包含所有非犬类的全面而有代表性的训练集。相反，您可以考虑使用一类分类器。传统的二类分类器找到一个将 A 与 B 分开的（超）平面。一类 SVM 而是找到将所有类内点（“A”）与原点分开的线/平面/超平面;

Ensemble SVM“系统”实际上是许多二类SVM“子单元”的集合。每个子单元使用单个一个类别的正面例子和另一个类别的大量负面例子。因此，不是区分狗与非狗示例（标准的二类 SVM）或狗与起源（一类 SVM），而是每个子单元区分特定的狗（例如，“雷克斯”）和许多非狗例子。为每个正类示例训练单个子单元 SVM，因此您将有一个 SVM 用于 Rex，另一个用于 Fido，另一个用于您邻居的狗，它在早上 6 点吠叫，依此类推。这些子单元 SVM 的输出经过校准和组合，以确定测试数据中是否出现了狗，而不仅仅是特定样本之一。我想您也可以将各个子单元视为一类 SVM，其中坐标空间发生了偏移，因此单个正示例位于原点。

总而言之，主要区别在于：

训练数据

• 两类 SVM：正例和反例
• 一类 SVM：仅正例
• 集成支持向量机“系统”：正面和负面的例子。每个子单元都在一个正例和许多负例上进行训练。

机器数量

• 二类SVM：一
• 一类SVM：一个
• 集成支持向量机“系统”：很多（每个正例一个子单元机器）

每类示例（每台机器）

• 两类 SVM：多/多
• 一类SVM：多/一（固定在原点）
• 集成支持向量机“系统”：多/多
• 集成支持向量机“子单元”：一个/多个

后期处理

• 二级SVM：不需要
• 一类SVM：没必要
• 集成 SVM：需要将每个 SVM 的输出融合到类级预测中。

后记：您曾问过他们所说的“[其他方法] 需要将示例映射到可以计算相似性内核的公共特征空间中”是什么意思。我认为它们的意思是，传统的二类 SVM 是在类的所有成员都在某种程度上相似的假设下运行的，因此您希望找到一个内核，它将大丹麦人和腊肠犬彼此靠近，但远离其他一切。相比之下，集成 SVM 系统通过将某物称为狗来回避这一点，如果它是足够大的丹麦犬或腊肠犬或贵宾犬，而不担心这些样本之间的关系。

简而言之，ESVM 模型是训练有素的 SVM 集合，可以将每个训练集元素与所有其他元素区分开来，而 OSVM 是训练有素的 SVM 集合，可以区分属于一个类的训练元素的每个子集。因此，如果您在训练集中有 300 个猫和 300 个狗的示例，ESVM 将生成600 个SVM，每个用于一只宠物，而 OSVM 将生成两个SVM（第一个用于所有猫，第二个用于所有狗）。

这样，ESVM 不需要找到整个类聚集的空间，而是找到这个单个元素是异常值的空间，这可能更简单，并且精度很高。据说召回是由合奏提供的。