用feature_column模块处理连续值特征列+模型拼接

 参考链接：https://zhuanlan.zhihu.com/p/41663141

Feature columns 被用来把各种形式的原始数据转换为模型能够使用的格式

tensorflow 中文社区链接：

https://www.tensorflow.org/tutorials/structured_data/feature_columns

佳伟哥解决了我一个疑惑，我好菜哈哈：

我想一个特征就对应输入层的一个神经元，我在想score是一个特征，firstcate是一个特征，但是这两个特征通过feature_column方法之后不是映射成不同维度的向量了么？

其实，映射后的维度是凭借的啊，最后score映射成的5维和firstcate映射成的10维拼接成15维作为输入层，输入层的神经元也是15个

 

tf.data将pandas dataframe中的列映射到用于训练模型的特征。

返回一个字典，列名称映射成字典的键值，字典的value是对应列的数据组成的列表。

几种特征列：

数值列：实数特征，使用此列时，模型从dataframe中接收未更改的值。

age = feature_column.numeric_column("age")

分桶列：one-hot数值表示每行匹配的年龄范围

age_buckets = feature_column.bucketized_column(age, boundaries=[18, 25, 30, 35, 40, 45, 50, 55, 60, 65])

分类列：分类词汇列提供用one-hot向量表示字符串的方法

thal = feature_column.categorical_column_with_vocabulary_list(
      'thal', ['fixed', 'normal', 'reversible'])

模型拼接：
比如有一些特征并不具备时序特性，所以对于LSTM来说是垃圾特征，因此先使用LSTM处理具备时序特性的特征，然后再将输出的结果（通过控制输出层的神经元个数控制输出维度）作为一个新的特征拼接剩余的不具备失序的特征，用全连接模型进行训练。