徐氏等[35]以中医心系503个样本为例，利用支持向量机进行中医心系证候分类研究，结果表明，该方法在证候分类中能达到较高的准确率。王氏等[36]以名医诊治冠心病典型医案115例建立冠心病名医诊疗数据库，运用支持向量机方法提取到名医诊治冠心病8个主要证候要素并确定其定量诊断，阐释了证候要素应证组合规律。殷氏等[37]对舌诊数据进行主成分提取，分别建立Logistic回归和支持向量机模型，发现在小样本情况下支持向量机模型更优，敏感度达92.8%，特异度达92.3%。杨氏等[38]精选1个家系虚寒证的相关基因信息，选择间接比较实验方案进行基因芯片实验，对5例虚寒证和5例正常人差异表达基因的表达值进行建模，使用支持向量机、K近邻分类法等方法，将家系中其他人样本带入，发现其能够正确判别。在舌象诊断鉴别上，谢氏[39]依据支持向量机理论，以径向基函数作为核函数构造多分类分类器，将舌象的特征参数作为输入样本，对病证进行分类，并以肝病病证分类做了仿真。

    1.9 多标记学习方法

    与其他分类方法不同的是，多标记学习方法的每个研究对象不再对应于单一的概念标记，而是由单个示例(属性向量)表示并对应于多个概念标记，即一个样本和多个类标相关联 ......