Neural network Tensorflow DNN回归大多忽略了分类列

我试图对媒体文件处理的执行时间进行建模。我有1.3米的培训记录和1.3米的考试记录。我有四个分类列（操作、服务器类型、优先级和文件类型）、两个连续列（文件大小、媒体持续时间）和一个目标列（处理时间、连续）

我已经修改了广泛而深入的教程代码，以使用回归器而不是分类器，并输出测试评估的预测。我改变了隐藏层的宽度和深度（例如[256，128]，[512，256，128，64]）。当我遇到分歧问题时，我从默认的ProximalAdagradOptimizer更改为AdamOptimizer

深度（DNN）和宽深（线性回归+DNN）似乎在400到1000步后达到损失平台，具体取决于模型的具体情况。宽（线性回归）似乎稳定了几个数量级。我已经将这些模型运行了4000-10000步，试图脱离高原

检查预测表明，深度、广度和深度结果对我的“操作”分类列相对不敏感。我尝试过增加分类嵌入列的维度（从8开始，但将“operation”值增加到80），但这并没有带来太大的区别。广泛的结果确实显示了对“操作”的敏感性，但这些结果总体上更糟

“操作”列是1-3000范围内的整数，具有大约300个不同的值

我对我的测试数据集和预测做了一些测量。预测的均方根误差在目标平均值的量级上。预测的平均值约为实际值平均值的70%，五个区域的比率相似（最小值、第1季度、中间值、第3季度、最大值）。预测与目标的比率在0.01到30之间。简言之，该模型显示出了一些希望，但它似乎并没有完成这项工作

下面是我的问题：

• 我如何强迫模型更加关注“操作”列？我希望避免使用硬权重，因为我认为模型应该能够了解本专栏的重要性。我担心我只是没有正确地将其纳入公司
• 我应该在模型中寻找什么来确定每个专栏的相关性
• 由于我的目标在很大范围内变化（高达70000左右），我是否可以或应该更改损失函数，以使用预测与目标的比率，而不是原始差异？如果是这样的话，我如何将其应用到DNNLinearRegressor之类的函数中

有谁能提出下一步的建议，让我从这个模型中得到更有效的预测

更新：我从它训练的模型中删除了所有分类（稀疏）特征列，使其小于我以前的最低损失。分类列似乎没有得到有效利用，但R中的线性回归表明它们之间有很强的相关性