可以看到，对于只有两个特征的模型，结果并不算太糟。当然，地产价值在短距离内仍然可能有较大差异。
10.3 多类别神经网络
在前面的章节中，我们讲解了二元分类模型，该模型可从两个可能的选项中选择其一。例如，特定电子邮件是垃圾邮件还是非垃圾邮件，特定肿瘤是恶性肿瘤还是良性肿瘤。设有分类阈值的逻辑回归就非常适合用来处理这类二元类别分类问题。但是在现实世界中，我们通常不仅仅在两个类别之间做出选择，有时需要从一系列类别中的某个类别内选择一个标签，例如：
●那架飞机是波音747、空中客车320、波音777还是直升机？
●这是一张苹果、熊、糖果、狗还是鸡蛋的图片？
现实世界中的一些多类别问题需要从数百万个类别中进行选择。例如，一个几乎能够识别任何事物图片的多类别分类模型。本节将研究多类别分类。
10.3.1 一对多方法
我们可以借助二元类别分类开发出一些新技术，比如一对多的多类别分类。我们将模型中的一个逻辑回归输出节点用于每个可能的类别（见图10-37）。因此，一个节点可能会识别“这是苹果吗？”，是/不是。另一个节点可能会识别“这是熊的照片吗？”，是/不是。第三个节点可能会识别“这是糖果吗？”，是/不是。我们将一个输出节点用于所观察的每个可能的类别，同时对这些节点进行训练，便可以在深度网络中做到这一点。
人工智能与大数据技术导论
340