简单来说就是分类的类别有多个，不再是二分，比如根据某些特征，什么温度、湿度、空气流动情况来预测天气，天气的label不能说是好天气和坏天气两种，而是分晴天、雨天、阴天,雪天等等，对于决策树或者从计算机的本质上来说，二分，0或者1是本质，计算机对于二分才是擅长的，那么接下来就有两种分类方法，一种是按照one vs rest
    （晴天，（雨天、阴天、雪天）） ①
    （雨天，（阴天、晴天、雪天）） ②
    （阴天，（晴天、雨天、雪天）） ③
    （雪天，（阴天、晴天、雨天）） ④
    一种是按照one vs one
    （晴天、雨天） ①
    （晴天、阴天） ②
    （晴天、雪天） ③
    （雨天、阴天） ④
    （雨天、雪天） ⑤
    （阴天、雪天） ⑥
    当我们得到测试数据套用one vs rest的model得到四种天气的概率，则四个概率中最大的就作为最终的预测结果，如
    ①：晴天=85%，非晴天=15%
    ②：雨天=75%，非雨天=25%
    ③：阴天=60%，非阴天=30%
    ④：雪天=5%，非雪天=95%
    那么晴天的概率最大，预测为晴天；
    one vs one 则是投票，出现次数最多的作为最终的预测结果，如：
    ①：晴天
    ②：阴天
    ③：雪天
    ④：阴天
    ⑤：雪天
    ⑥：阴天
    因为阴天出现三次，次数是最多的，所以预测为阴天。