Python TensorFlow中的特征选择

在TensorFlow文档中，提到“通过密集嵌入，深层模型可以更好地概括和预测以前在训练数据中看不到的特征对。”

我们如何在代码中使用密集的嵌入，并获得TensorFlow的新特性，即使用泛化和记忆

或者换一种说法，如何使用TensorFlow作为特征选择算法

---

当使用适当的正则化对验证集进行泛化优化时，张量流同时进行特征选择和特征转换，以选择最佳模型。然而，在密集和深层模型中很难发现选定的输入特征。宽模型（1层）提供了与问题最相关的功能。这些作为逻辑回归层，边的权重表示特征的相对重要性。Abalation是另一种进行特征选择的方法，它通过训练NN而不使用一个评估特征，并注意度量的下降

---

密集嵌入可以看作是输入特征与训练示例匹配的复杂转换。它们不能很好地概括测试集中看不见的数据。它们是通过将张量定义为：tf.contrib.layers.embedding_column

谢谢。我将使用tf.contrib.layers.embedding_列来获取功能。