Machine learning Tensorflow：拥有多个要素栏与拥有一个具有多个维度的要素栏有什么区别？

我试图用一个简单的

tf.contrib.learn.LinearRegressor

开始使用TensorFlow。我的数据集是一个时间序列，我希望使用

T-n，…，T-1

处的步骤作为特征，使用

T-0

作为标签。所有的值都是浮动的，所以我很自然地认为我应该将每个时间步都变成一个

实值列

特性

---

然而，这些列有一个

dimension=

属性，在TF网站上Iris数据集的示例中，一个具有四个维度的列作为特征。我认为这四个属性（萼片宽度/长度、花瓣宽度/长度）中的每一个都应该成为它自己的特征，从而成为它自己的

实值列
。我的理解错了吗？这些方法之间的区别是什么？
每朵花都由它的四个属性表示，因此你的特征矩阵确实有四列。但是要训练分类器，你不能单独使用每个特征，因为它们可能与花所属的类别相关。因此维度设置为维度=4。将实值列视为一组列（其编号为维度），这些列构成一个特征矩阵。
每个花由其四个属性表示，因此，您的特征矩阵确实有4列。但为了训练分类器，您不能单独获取每个特征，因为它们可能与花所属的类相关。因此维度设置为维度=4。将实值列视为一组列（它们的编号就是维度）哪个构成特征矩阵。
您是否有更详细的链接？我并没有意识到特征的数量和维度之间存在差异，我会认为一个特征==训练样本的一个维度。特征的数量和维度之间没有差异。如果你有4列，你有4个特征，所以维度=4，正如我所说的。唯一可能让事情变得更复杂的方法是，如果每个特征都由一个有自己维度的向量表示。除非是这样，否则，特征=维度。你有更详细解释这个的链接吗？我并没有意识到特征的数量和维度之间存在差异，我会认为一个特征==训练样本的一个维度。特征的数量和维度之间没有差异。如果你有4列，你有4个特征，所以维度=4，正如我所说的。唯一能让事情变得更复杂的方法是，如果每个特征都由一个有自己维度的向量表示，除非是这样，否则，特征=维度。