一般的支持向量机只支持二分类，使用libsvm可以实现多分类，原理也是基于二分类，然后在使用投票机制，经测验，libsvm的分类精度可达85%以上(Multi class supported by libsvm,after testing, the classification accuracy can reach 85%.)

Bagging是并行式集成学习方法最著名的代表，Bagging通常对分类任务使用简单投票法，随机森林（RF）是Bagging的一个扩展变体，RF在以决策树为基学习器构建Bagging 集成的基础上，进一步在决策树的训练过程中引入了随机属性选择。在RF中，集成模型的每棵树构建时所需的样本都是由训练集经过有放回的随机抽样得来（即自助采样法bootstrap sample）。