从 SVM的那几张图能够看出来，SVM是一种典型的两类分类器。即它仅仅回答属于正类还是负类的问题。而现实中要解决的问题，往往是多类的问题（少部分例外，比如垃圾邮件过滤，就仅仅须要确定“是”还是“不是”垃圾邮件）。比方文本分类，比方数字识别。怎样由两类分类器得到多类分类器，就是一个值得研究的问题。
还以文本分类为例。现成的方法有非常多，当中一种一劳永逸的方法，就是真的一次性考虑全部样本，并求解一个多目标函数的优化问题，一次性得到多个分类面。就像下图这样：
多个超平面把空间划分为多个区域，每一个区域相应一个类别，给一篇文章，看它落在哪个区域就知道了它的分类。
看起来非常美对不正确？仅仅可惜这样的算法还基本停留在纸面上，由于一次性求解的方法计算量实在太大。大到无法有用的地步。
稍稍退一步，我们就会想到所谓“一类对其余”的方法，就是每次仍然解一个两类分类的问题。
比方我们有5个类别。第一次就把类别1的样本定为正样本，其余2，3，4，5的样本合起来定为负样本。这样得到一个两类分类器，它可以指出一篇文章是还是不是第1类的。第二次我们把类别2 的样本定为正样本。把1，3，4，5的样本合起来定为负样本，得到一个分类器，如此下去。我们能够得到5个这种两类分类器（总是和类别的数目一致）。到了有文章须要分类的时候。我们就拿着这篇文章挨个分类器的问：是属于你的么？是属于你的么？哪个分类器点头说是了，文章的类别就确定了。
这样的方法的优点是每个优化问题的规模比較小。并且分类的时候速度非常快（仅仅须要调用5个分类器就知道了结果）。
但有时也会出现两种非常尴尬的情况，比如拿一篇文章问了一圈，每个分类器都说它是属于它那一类的，或者每个分类器都说它不是它那一类的，前者叫分类重叠现象，后者叫不可分类现象。分类重叠倒还好办，随便选一个结果都不至于太离谱，或者看看这篇文章到各个超平面的距离，哪个远就判给哪个。不可分类现象就着实难办了，仅仅能把它分给第6个类别了……更要命的是，本来各个类别的样本数目是差点儿相同的，但“其余”的那一类样本数总是要数倍于正类（由于它是除正类以外其它类别的样本之和嘛）。这就人为的造成了数据不平衡问题。
因此我们还得再退一步，还是解两类分类问题，还是每次选一个类的样本作正类样本，而负类样本则变成仅仅选一个类（称为“一对一单挑”的方法，哦，不正确，没有单挑，就是“一对一”的方法。呵呵），这就避免了偏斜。因此过程就是算出这样一些分类器，第一个仅仅回答“是第1类还是第2类”。第二个仅仅回答“是第1类还是第3类”。第三个仅仅回答“是第1类还是第4类”。如此下去。你也能够立即得出，这种分类器应该有5 X 4/2=10个（通式是，假设有k个类别，则总的两类分类器数目为k(k-1)/2）。
尽管分类器的数目多了，可是在训练阶段（也就是算出这些分类器的分类平面时）所用的总时间却比“一类对其余”方法少非常多，在真正用来分类的时候。把一篇文章扔给全部分类器，第一个分类器会投票说它是“1”或者“2”，第二个会说它是“1”或者“3”，让每个都投上自己的一票，最后统计票数，假设类别“1”得票最多，就判这篇文章属于第1类。这样的方法显然也会有分类重叠的现象，但不会有不可分类现象。由于总不可能全部类别的票数都是0。看起来够好么？事实上不然。想想分类一篇文章，我们调用了多少个分类器？10个，这还是类别数为5的时候，类别数假设是1000，要调用的分类器数目会上升至约500,000个（类别数的平方量级）。这怎样是好？
看来我们必须再退一步。在分类的时候下功夫。我们还是像一对一方法那样来训练，仅仅是在对一篇文章进行分类之前。我们先依照以下图的样子来组织分类器（如你所见，这是一个有向无环图。因此这样的方法也叫做DAG SVM）
这样在分类时,我们就能够先问分类器“1对5”（意思是它能够回答“是第1类还是第5类”）。假设它回答5。我们就往左走。再问“2对5”这个分类器。假设它还说是“5”，我们就继续往左走，这样一直问下去，就能够得到分类结果。优点在哪？我们事实上仅仅调用了4个分类器（假设类别数是k，则仅仅调用k-1个），分类速度飞快。且没有分类重叠和不可分类现象！
缺点在哪？假如最一開始的分类器回答错误（明明是类别1的文章。它说成了5）。那么后面的分类器是不管怎样也无法纠正它的错误的（由于后面的分类器压根没有出现“1”这个类别标签），事实上对以下每一层的分类器都存在这样的错误向下累积的现象。。
只是不要被DAG方法的错误累积吓倒。错误累积在一对其余和一对一方法中也都存在，DAG方法好于它们的地方就在于。累积的上限。无论是大是小。总是有定论的。有理论证明。而一对其余和一对一方法中，虽然每个两类分类器的泛化误差限是知道的，可是合起来做多类分类的时候。误差上界是多少，没人知道。这意味着准确率低到0也是有可能的。这多让人郁闷。
并且如今DAG方法根节点的选取（也就是怎样选第一个參与分类的分类器）。也有一些方法能够改善总体效果。我们总希望根节点少犯错误为好，因此參与第一次分类的两个类别。最好是区别特别特别大，大到以至于不太可能把他们分错；或者我们就总取在两类分类中正确率最高的那个分类器作根节点，或者我们让两类分类器在分类的时候，不光输出类别的标签。还输出一个类似“置信度”的东东，当它对自己的结果不太自信的时候，我们就不光依照它的输出走。把它旁边的那条路也走一走。等等。