トレーニングデータで予測モデルを評価する際の欠点は、モデルが新しい未知のデータにどの程度一般化されているかが分からないことです。トレーニングデータセットでの精度ではなく、未知のテストデータセットでの精度に基づいて選択されたモデルは、未知のテストデータセットでは精度が低くなる可能性が非常に高くなります。その理由は、モデルが十分に一般化されていないためです。モデルはトレーニングデータセットの構造に特化しています。これは過学習と呼ばれます。
参考: https://machinelearningmastery.com/a-simple-intuition-for-overfitting/

列の可能性のある特徴値の集合がすべてわかっていて、その数が限られている場合は、categorical_column_with_vocabulary_ list を使用できます。リスト内の各キーには、0から始まる自動増分IDが割り当てられます。
事前に可能性のある値のセットがわからない場合はどうすればよいでしょうか？問題ありません。代わりに categorical_column_with_hash_bucket を使用できます。特徴列の occupation に含まれる可能性のある値は、トレーニング中に遭遇するたびに整数IDにハッシュ化されます。
参考: https://www.tensorflow.org/tutorials/wide

Dataflow パイプラインに共有 VPC ネットワークを使用するには、サブネットワークの完全な URL を含むサブネット パラメータを指定し、パイプラインを実行するサービス アカウントにコンピューティング権限を付与する必要があります。
ホストプロジェクトにおける networkUser ロール。このロールにより、サービスアカウントは共有VPCネットワーク内のサブネットワークを使用できます。Dataflow サービスエージェントはパイプラインのリソースを作成および管理するだけで、実行は行わないため、このロールは必要ありません。dataflow.admin ロールはネットワークアクセスには関係ありませんが、Dataflow ジョブとリソースの作成および削除権限に関係します。参考資料：
* ネットワークとサブネットワークを指定する | Cloud Dataflow | Google Cloud
* 共有 VPC を使用するようにデータフロー パイプラインを構成するにはどうすればよいでしょうか?