纠错输出码的工作过程主要分为两步。

第一步，编码。对个类别做次划分，每次划分将一部分类别当作正类，其余当作反类，从而形成一个二分类训练集，这样可以训练出个二分类分类器。编码过程中类别的划分通过编码矩阵指定，编码矩阵的每一行表示一个类别，每一列表示一个二分类分类器。编码矩阵主要包括二元码（图（a））和三元码（图（b））。二元码中+1和-1分别表示，所在列二分类分类器将所在行类别作为正、反例；三元编码中0表示，所在列二分类分类器不使用该类样本。常见的编码方法有一对一、一对多、随机编码等。

纠错输出码示意图

第二步，解码。个分类器分别对测试样本进行预测，这些预测标记组成一个编码。将这个预测编码与每个类别各自的编码进行比较，返回其中距离最小的类别作为最终的预测结果。常见的解码方法有海明解码（见海明码）和欧氏解码等。

“纠错输出编码”名称的由来，是因为在测试阶段，其对分类器的错误有一定的容忍和修正能力。如图（a）中对测试样例的正确预测编码是（-1，+1，+1，-1，+1），假设分类器出错，导致错误的编码（-1，-1，+1，-1，+1），但是基于这个错误的编码，仍能产生正确的最终分类结果。

对同等长度的编码，理论上来说，任意两个类别之间的编码距离越远，则纠错能力越强。因此，在码长较小时可根据这个原则计算出理论最优编码。然而，码长稍大一些就难以有效地确定最优编码，事实上这是NP难问题。不过，通常我们并不需要理论最优编码，因为非最优编码在实践中往往已能产生足够好的分类器。另一方面，并不是编码的理论性质越好，分类性能就一定越好，因为机器学习问题涉及很多因素，例如将多个类拆解为两个“类别子集”，不同拆解方式所形成的两个类别子集的区分难度往往不同，即其导致的二分类问题的难度不同。因此，一个理论纠错性质很好、但导致二分类问题较难的编码，与一个理论纠错性质差一些、但导致二分类问题简单的编码，最终产生的模型性能孰强孰弱很难说。