特征是描述属性
标签用于分类，比如用（ x i {x_i} xi, y i {y_i} yi）表示第i个样本， y i {y_i} yi就是标记/标签
在属性/特征中，
属性值包含于——>属性空间，样本空间，输入空间
一个示例、样本称为特征向量，举例：
D={ x 1 {x_1} x1， x 2 {x_2} x2， x 3 {x_3} x3，…， x m {x_m} xm}表示m个示例
每个示例由d个属性描述：
x i {x_i} xi=（ x i 1 {x_{i1}} xi1， x i 2 {x_{i2}} xi2，…, x i d {x_{id}} xid）
x i {x_i} xi是d维样本空间x的一个向量，或说是样本
x i j {x_{ij}} xij表示第i个样本在第j个属性上的取值
从以上基本概念，能很好明白multitask、multilabel、multiclass的区别：
Multiclass就是多分类问题，比如年龄预测中把人分为小孩，年轻人，青年人和老年人这四个类别
Multilabel是多标签分类问题，比如一个新闻稿A可以与{政治，体育，自然}有关，就可以打上这三个标签。而新闻稿B可能只与其中的{体育，自然}相关，就只能打上这两个标签。
Multitask是把多个相关（related）的任务放在一起学习，同时学习多个任务。比如，猫狗进行分类，可以按大小、颜色同时进行分类。
会涉及一个重要概念：共享表示shared representation
（1）、基于参数的共享（Parameter based）：比如基于神经网络的MTL，懵懂的老师处理过程。
（2）、基于约束的共享（regularization based）：比如均值，联合特征（Joint feature）学习（创建一个常见的特征集合）。