如果一定要自己设计，你可以采用one-versus-all策略，将多个二元分类器组合成多元分类器。
祝你成功。
机器学习中常用的方法有：
(1) 归纳学习
符号归纳学习：典型的符号归纳学习有示例学习、决策树学习。
函数归纳学习(发现学习)：典型的函数归纳学习有神经网络学习、示例学习、发现学习、统计学习。
(2) 演绎学习
(3) 类比学习：典型的类比学习有案例(范例)学习。
(4) 分析学习：典型的分析学习有解释学习、宏操作学习。
扩展资料：
机器学习常见算法：
1、决策树算法
决策树及其变种是一类将输入空间分成不同的区域，每个区域有独立参数的算法。决策树算法充分利用了树形模型，根节点到一个叶子节点是一条分类的路径规则，每个叶子节点象征一个判断类别。先将样本分成不同的子集，再进行分割递推，直至每个子集得到同类型的样本，从根节点开始测试，到子树再到叶子节点，即可得出预测类别。此方法的特点是结构简单、处理数据效率较高。
2、朴素贝叶斯算法
朴素贝叶斯算法是一种分类算法。它不是单一算法，而是一系列算法，它们都有一个共同的原则，即被分类的每个特征都与任何其他特征的值无关。朴素贝叶斯分类器认为这些“特征”中的每一个都独立地贡献概率，而不管特征之间的任何相关性。然而，特征并不总是独立的，这通常被视为朴素贝叶斯算法的缺点。简而言之，朴素贝叶斯算法允许我们使用概率给出一组特征来预测一个类。与其他常见的分类方法相比，朴素贝叶斯算法需要的训练很少。在进行预测之前必须完成的唯一工作是找到特征的个体概率分布的参数，这通常可以快速且确定地完成。这意味着即使对于高维数据点或大量数据点，朴素贝叶斯分类器也可以表现良好。
3、支持向量机算法
基本思想可概括如下：首先，要利用一种变换将空间高维化，当然这种变换是非线性的，然后，在新的复杂空间取最优线性分类表面。由此种方式获得的分类函数在形式上类似于神经网络算法。支持向量机是统计学习领域中一个代表性算法，但它与传统方式的思维方法很不同，输入空间、提高维度从而将问题简短化，使问题归结为线性可分的经典解问题。支持向量机应用于垃圾邮件识别，人脸识别等多种分类问题。
参考资料：百度百科-机器学习（多领域交叉学科）
入门推荐你看《机器学习实战》，不需要你跑去学习算法和数据结构，不需要解析几何的知识，但是数理统计的基础你必须要有，期望、方差、常用的几种概率分布，尤其注意一下条件概率，因为朴素贝叶斯模型你一定要懂，线性代数至少你要明白矩阵乘法、行列式计算，再就是微积分知识，不然你看不懂所有基于梯度下降法的文献，行业内用的比较多的是c++，java和python，推荐你用python，很多模型不需要你造轮子，python有相关的第三方模块，很方便。
数据挖掘涉及的内容比较泛，机器学习、数据挖掘、人工智能，但实际上这些知识大多是相通的，机器学习实战这本书是我看的启蒙书里很好的一本了，该有的都有，难度较小，有理论有实践，可以较快的对各种知识有个大概的了解，但是想要长期在这个行业发展，还需要学习更多的知识，比如说提到回归模型，你不仅仅要知道最小二乘法，你还要想到怎么进行数据清洗、哪些数据需要清洗，怎么规范数据，数据是否过多，要不要进行归约和降维，采用哪种回归模型，精确度大致要达到什么水平，要不要考虑过拟合和欠拟合，要不要进行交叉验证，几折交叉验证效果好，如果回归模型不适用，有哪些备选方案。比如说决策树模型，书上简单的讲了个if-then就完了，按照什么规则生成树，怎么分层，要不要剪枝，最终的效果怎么样，造成误差的原因是模型太复杂还是太简单，怎么综合其他模型对决策树进行改进，数据的聚类方法用k均值还是DBSCAN，需要对数据进行分类的时候要考虑数据量大不大，SVM还是神经网络，数据量计算机吃不吃得消，一次吃不消该怎么做，等你对这些有了大致的了解之后，好好看看《统计学习方法》这本书，深入地了解一下理论部分，看一看核心部分的数学模型，看一看如何算法实现，着重理解一下拉格朗日微分法和拉格朗日对偶，解决等式约束和不等式约束很有用，这个也是使用智能算法尝试解决NP完全问题的一个结合点。
除了看书以外，其他时间全部用在学习编程上，python常用的numpy、matplotlib、scipy、sklearn、nltk这些包你都要大致了解怎么用，推荐你看看图灵程序设计丛书里的《python学习手册》《python自然语言处理》《python科学计算》，至少要知道怎么定义类、方法、属性，常用模块里有哪些好用的方法，常见的异常怎么排除，其他的在有时间的时候随用随学，至于算法和数据结构，有时间的话看看《算法导论》，肯定有所收获。
至于说书单就上豆瓣搜一搜，评分高的一般都比较靠谱，英文版的也比较靠谱
