Desde cierto punto de vista, ya hemos visto que es posible distinguir dos escenarios posibles en un análisis de clasificación: un primer escenario en el que queremos clasificar las muestras en dos clases (clasificación binaria) y un segundo escenario en el que queremos clasificar las muestras en más de dos clases (clasificación multiclase).
Algunos algoritmos de clasificación (Random Forest o Naive Bayes) son capaces de realizar su trabajo tanto en entornos de clasificación binaria como de clasificación multiclase. Otros algoritmos, sin embargo, son puros clasificadores binarios (Support Vector Machines o clasificadores lineales). Aun así, hay métodos que nos permiten utilizar estos últimos también en clasificación multiclase. Para esto hay dos estrategias principales: One-versus-All (uno-contra-todos) y One-versus-One (uno-contra-uno).
