机器学习PAI想咨询一下，easyrec做RawFeature这种连续值特征输入时，是否支持不做embedding层，直接将特征原值作为输入呢？
机器学习PAI想咨询一下，是否支持不做embedding层，直接将特征原值作为输入呢？[阿里云机器学习PAI]
「点点赞赏，手留余香」
还没有人赞赏，快来当第一个赞赏的人吧！
=====这是一个广告位，招租中，联系qq 78315851====
同尘云，您身边的云智能顾问
机器学习PAI想咨询一下，easyrec做RawFeature这种连续值特征输入时，是否支持不做embedding层，直接将特征原值作为输入呢？
在阿里云的机器学习PAI（Platform for AI Innovation）中，EasyRec模型对于连续值特征（即RawFeature）的处理方式是将其转换为数值向量，而不是直接使用原始值。这是因为深度学习模型通常需要输入数值向量，而不是原始的数值。
然而，如果你确实希望保留原始值，你可以尝试使用一些其他的机器学习模型，比如逻辑回归或者线性回归，这些模型可以直接接受原始值作为输入。
另外，如果你希望在模型中保留原始值，你也可以考虑使用一些特定的预处理方法，比如归一化或者标准化，这些方法可以帮助你在保持原始值的同时，将其转换为模型可以接受的格式。
支持，不配置embedding_dim就好了.easyrec做RawFeature这种连续值特征输入时，是否支持不做embedding层，直接将特征原值作为输入,根据已知的参考内容信息，可以将连续值特征直接作为输入，不需要做embedding层。因此，easyrec支持不做embedding层，直接将特征原值作为输入。，此回答整理自钉群“【EasyRec】推荐算法交流群”
如果你想要避免使用Embedding层，你可以考虑将连续值特征转换为类别特征，然后再将其作为输入。这可以通过 pandas.get_dummies() 函数或者 sklearn.preprocessing.OrdinalEncoder 类实现。但是请注意，这种方法可能会导致特征维度的增加，从而增加模型的复杂性。