机器学习
特征（feature）
/ FEE-chur /
特征，是描述某个你想让机器学习的事物的、一条可以度量的信息。如果你要预测一套房子的价格，特征可能是它的建筑面积、卧室数量、建成年份，以及离最近的火车站有多远。每个特征是表格里的一列，每套房子是一行。机器从来没见过房子本身，它看到的只是这一摞代替房子的数字和类别。
选对特征，往往比选对算法更要紧。一个弱特征，是指它和答案几乎没什么关系——大门的颜色，几乎告诉不了你关于房价的任何事。强特征则带着真正的信号。有时最有用的特征并非直接测量得来，而是从原始数据里造出来的：从出生日期可以算出年龄，从时间戳可以抽出是星期几。这门设计更好特征的手艺，就叫特征工程。
要诚实地看待它的局限。模型只能从你给它的特征里学习——如果一个关键事实根本没出现在那些列中，再巧妙的数学也变不出它来。特征还可能悄悄夹带偏见：如果某个特征实际上是种族、性别或邮政编码的替身，模型就可能在无人有意的情况下产生歧视。特征是机器观察世界所用的那副镜片，镜片若狭窄或扭曲，看到的世界也就狭窄或扭曲。
要预测一笔贷款能否还上，有用的特征可能是收入、贷款额度，以及过去账单的还款是否守信。申请人的姓名是个没用的特征；而他们的负债收入比——由另外两个特征相除造出来——往往是个很强的特征。
有些特征带着信号，有些什么也没有，还有些最好由别的特征组合而成。
别把特征（模型读取的输入）和标签（它努力预测的答案）搞混。同一个事实在不同任务里可以扮演不同角色：顾客的年龄在预测消费时是输入，但如果你想从照片里猜出年龄，它就成了标签。
又称
另见