在我看来，以下可能是深度学习在回归问题中相对不受欢迎的一个（但不是唯一）原因：

现代神经网络的大部分成功来自于它们利用世界组合性质的能力。也就是说，在图像或音频分析等感知问题中，特征具有顺序（空间或时间），局部模式聚合形成更高层次的概念和对象（例如，汽车的图片由车轮和其他部件组成，由较低级别的视觉特征组成，这些视觉特征由边缘、圆形和线条等基本形状组成）。现代神经网络（例如卷积神经网络）通过在更深层学习越来越抽象的特征来利用这一点。Hinton等人在这些幻灯片中更详细地解释了这些想法。[1]

相反，经典回归问题由许多无序特征组成，并且可以使用输入特征的浅线性/非线性模型很好地预测目标值。从某种意义上说，图像分类或语音识别等问题中存在的这种组合属性在“根据个人的性别、年龄、国籍、学历、家庭规模……预测个人的收入”等问题中是不存在的。

这可以解释为什么深度学习更受欢迎的一些回归问题是基于图像的（例如，基于面部摄影的年龄预测）。

当然，这些只是一些直观的想法，对这个问题进行更正式的分析当然是一个不错的研究课题。深度学习无疑是一个需要更多理论保证和见解的领域。

[1] https://www.iro.umontreal.ca/~bengioy/talks/DL-Tutorial-NIPS2015.pdf

您可以“使用”深度学习进行回归。您必须考虑以下几点：

• 你可以使用全连接的神经网络进行回归，只是最后不要使用任何激活单元（即取出RELU，sigmoid），让输入参数流出（y=x）。考虑一个没有激活单元的神经元的 NN 基本上是一个简单的线性回归。
• 更一般地说，这不是您想要的，您将使用非常复杂的链式线性回归结构，可能会过度拟合。岭回归、Lasso、SVR 和贝叶斯预测器在这方面会做得更好，并且您可以更好地控制自己想要做什么。