在3.1 節(jié)中，我們介紹了線性回歸，在3.4 節(jié)中從頭開始實現(xiàn) ，并在3.5 節(jié)中再次使用深度學習框架的高級 API來完成繁重的工作。

回歸是我們想回答多少的時候伸手去拿的錘子？ 或者有多少？問題。如果你想預測房子的售價（價格），或者一支棒球隊可能獲勝的次數(shù)，或者病人出院前住院的天數(shù)，那么你可能是尋找回歸模型。然而，即使在回歸模型中，也存在重要的區(qū)別。例如，房屋的價格永遠不會是負數(shù)，并且變化可能通常與其基準價格有關。因此，對價格的對數(shù)進行回歸可能更有效。同樣，患者住院的天數(shù)是 離散的非負數(shù)隨機變量。因此，最小均方可能也不是理想的方法。這種時間-事件建模伴隨著許多其他并發(fā)癥，這些并發(fā)癥在稱為生存建模的專門子領域中處理。

這里的重點不是要讓你不知所措，而只是讓你知道，除了簡單地最小化平方誤差之外，還有很多東西需要估計。更廣泛地說，監(jiān)督學習比回歸要多得多。在這一節(jié)中，我們重點關注分類問題，我們擱置了多少？問題，而是關注哪個類別？問題。

• 這封電子郵件屬于垃圾郵件文件夾還是收件箱？

• 該客戶是否更有可能注冊或不注冊訂閱服務？

• 這個圖像描繪的是驢、狗、貓還是公雞？

• 阿斯頓接下來最有可能看哪部電影？

• 您接下來要閱讀本書的哪一部分？

通俗地說，機器學習從業(yè)者重載了單詞 分類來描述兩個細微不同的問題：（i）那些我們只對將示例硬分配給類別（類）感興趣的問題；(ii) 那些我們希望進行軟分配的地方，即評估每個類別適用的概率。這種區(qū)別往往會變得模糊，部分原因是，即使我們只關心硬分配，我們?nèi)匀唤?jīng)常使用進行軟分配的模型。

更重要的是，在某些情況下，不止一個標簽可能是真實的。例如，一篇新聞文章可能同時涵蓋娛樂、商業(yè)和太空飛行等主題，但不會涵蓋醫(yī)學或體育主題。因此，將其單獨歸入上述類別之一并不是很有用。這個問題通常被稱為多標簽分類。參見Tsoumakas 和 Katakis ( 2007 )的概述和 Huang等人。( 2015 )用于標記圖像時的有效算法。