DNNLInearConbinedRegressor 的feature_column 与其他同在tf.estimator 下的模型都一样，知识它下面的不同的方法适用方法都不一样，
1：对于线性模型来说稀疏的和密集的tensor都可以
2：对于DNN模型则只能接受密集的tensor
那么接下来就来介绍一下该包下面都可以处理什么样的特征：
再说一下feature_column 的作用，其实很简单，就是在真实的数据和模型之间提供一个桥梁的
作用，说简单的一点其实它提供了特征的处理，也可以理解为数据的预处理，但是预处理又不太准确，
feature_column 是特征方面的处理，属于特征工程发面的东西，但是他俩其实都是对数据的处理；
好了，返回正题：
1首先来说一下numeric_column ,他能生成一个连续的特征，可以理解为密集的特征，现在我还是没有理解连续的特征和
密集特征的区别：
定义方式如：price = tf.estimator.feature_column.numeric_column('price')
2:bucktized_column 他是一个分桶的操作，返回的是一个稀疏的tensor，
定义方式是：price_bucket = tf.estimator.feature_column.bucktized_column(price,[0,1,10])
这里介绍一下，这样酒吧price分成4哥桶了，分别是：（-inf,0 ） (0,1),(1,10),(10,+inf)
还有一点是source_column必须是numeric_column ;
3:categorical_column_with_vocabulary_list：返回的是一个稀疏的tensor，处理分类性数据；相比较而言分类较少的
有个重要的参数是key（也就是特征列的名称)，vocabulary_list
如：categorical_column_with_vocabulary_list(tradetype,[sale,Lease)
4：上面我们说到了对于较少的分类用categorical_column_with_vocabulary_list,那么对于多分类的数据我们该怎么办呢：
好了，是时候categocial_column_with_hash_bucket了，他需要一个key,和一个hash_bucket_size 数值越大，分类效果越好，但也是相对的，数值大能避免冲突，
5：牛叉的到了，那就是特征组合了，对于我们觉得把两个特征组合起来才能更好表达效果的特征，我们就把他们组合起来，
他的返回也是一个稀疏的特征cross_column
6:说最后一个了，那就是embedding_column了，他接受的是一个categorical_column，把高纬的离散的特征，转化成低纬度密集的tensor
常用的就是这些了，还有就是，
linear_model：对所有特征进行线性加权操作
wighted_categorial_column用来指定权重的；