我查看了维基百科页面，但找不到它们之间的区别，这两种方法似乎都是将多类转换为多个线性分类器。

回答：

这涉及到划分训练数据的策略。假设你有N个数据样本和C个类别。

一对一：在这里，你每次选择两个类别，并使用仅来自这两个选定类别的样本训练一个二类分类器（在这一步中忽略其他样本）。你对所有两类组合重复这一过程。因此，你最终会得到N(N-1)/2个分类器。在测试时，你在这些分类器中进行投票。

一对多：在这里，你选择一个类别，并用该类别的样本作为一侧，所有其他样本作为另一侧来训练一个二类分类器。因此，你最终会得到N个分类器。在测试时，你只需将样本分类为在N个分类器中得分最高的那个类别。

举个例子，假设我们有一个3类问题，类别标签为c1、c2和c3。样本为x1、x2、…。分类器为f1、f2、…。假设你的训练数据是{{x1, c1}, {x2, c1}, {x3, c2}, {x4, c1}, {x5, c2}, {x6, c3}, {x7, c3}}。那么：

一对一：f1：用子集{{x1, c1}, {x2, c1}, {x3, c2}, {x4, c1}, {x5, c2}}训练，用于类别c1和c2。f2：用子集{{x3, c2}, {x5, c2}, {x6, c3}, {x7, c3}}训练，用于类别c2和c3。f3：用子集{{x1, c1}, {x2, c1}, {x4, c1}, {x6, c3}, {x7, c3}}训练，用于类别c1和c3。

一对多：f1：用{{x1, c1}, {x2, c1}, {x3, ~c1}, {x4, c1}, {x5, ~c1}, {x6, ~c1}, {x7, ~c1}}训练，用于类别c1和其余类别（~c1，即非c1）。f2：用{{x1, ~c2}, {x2, ~c2}, {x3, c2}, {x4, ~c2}, {x5, c2}, {x6, ~c2}, {x7, ~c2}}训练，用于类别c2和其余类别（~c2，即非c2）。f3：用{{x1, ~c3}, {x2, ~c3}, {x3, ~c3}, {x4, ~c3}, {x5, ~c3}, {x6, c3}, {x7, c3}}训练，用于类别c3和其余类别（~c3，即非c3）。