我正在使用包含tripadvisor 餐厅评论及其标签（1、2、3、4 或5 星）的数据集。
最初我想将它用作分类问题，应用 softmax、交叉熵等，但转念一想，我想到了将其实际视为回归问题的想法，即生成一个连续的输出（例如 3.897）非常好（当然假设原始值是 4）。
这有意义吗？还是我应该将答案热编码为 5 个元素的向量（在每颗星上？）。
此外，假设回归是处理这个问题的正确方法，最后一层的线性激活将是可行的方法，要查看的指标将是均方误差和平均绝对误差。
更新：
再浏览了一下，我发现了一个叫Ordinal Regression的东西，其实只要稍微想一想，一切都说得通。如果我只是将问题视为分类问题，并且我有一个预测说给定评论有 1 星，而实际上它是 4 星，我们将如何惩罚它？
- 如果我们正在使用分类问题并且我们正在使用交叉熵，那么这只是一个错误分类错误，并且将某些东西标记为 1 开始而应该是 4 开始被认为是不正确的，因为它应该有标记为 3 星4星。如您所见，这是不正确的，两个预测（1 星和 3 星）都不正确，但其中一个比其他预测更不正确。
- 但是，如果我们使用回归问题，我们的成本函数显然会更多地惩罚 1 个开始的预测，而不是 3 颗星中的一颗（同样，这里我们假设正确的标签应该是 4 颗星）。
因此，鉴于所有这些，我会说回归在这种情况下是有意义的，因为类别彼此相关。