在TensorFlow文档中，提到“通过密集嵌入，深度模型可以更好地推广并对训练数据中以前未见过的特征对进行预测。”
我们如何在代码中使用密集嵌入并获得TensorFlow的新功能，即使用泛化和记忆？
或者另外一种方式，如何使用TensorFlow作为特征选择算法？
答案 0 :(得分：2)
张量流同时进行特征选择和特征转换，以便在优化时选择最佳模型，以便使用合适的正则化推广验证集。但是，在密集和深度模型中很难发现所选的输入特征。宽模型（1层）可以让您了解哪些特征与问题最相关。它们充当逻辑回归层，边缘的权重表示特征的相对重要性。 Abalation是另一种通过训练NN进行特征选择的方法，没有一个评估功能，并注意到指标的下降。
可以将密集嵌入视为适合训练示例的输入要素的复杂变换。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
获得的