机器学习中的“特征”到底是什么?
经常听到搞算法的人把“feature”挂在嘴边，这个 feature 可不是产品经理丢给开发的feature -- 产品的新特性，而是“特征”。在机器学习中，特征是被观测对象的一个独立可观测的属性或者特点。比如识别水果的种类，需要考虑的特征（属性）有：大小、形状、颜色等。要识别一个人是谁，可以用他的走路姿势、说话语气等来衡量。古人归有光在《项脊轩志》提到了“足音辨人”的技能，所以走路的脚步声也可以用来作为是别人的特征。
特征一般用数值而非文字等其他形态，主要是为了处理和统计分析的方便。特征的特点是：有信息量，区别性，独立性。背后的思路是通过一个抽象、简化的数学概念来代表复杂的事物。
特征向量
一个特征不足以代表一个物体，所以机器学习中使用特征的组合--特征向量。它是一个 n 维的数值向量，可以用来代表某个东西。比如人脸识别中，使用256维度的向量来代表一个人的面部特征。特征向量都是为了解决实际问题而专门设计的，比如进行人脸识别的场景和进行水果种类识别的场景，使用的特征向量肯定是不一样的。
用途
有了特征向量这种物体的数字化表示，就可以做检索，分类等应用了。
检索场景：收集公司中员工的面部特征值作为底库，在公司门口使用摄像头分析镜头前来人的特征，两者做比对就可以作为门禁使用。可以使用逃犯的照片作为底库，在演唱会门口分析参会人员的特征，就可以抓逃犯。
分类、预测场景：特征向量经常和权重做点乘来构建一个线性预测函数，可以用来做预测。比如预测人的性别，年龄，种族等。
极简例子
假设我们要实现《写给小朋友看的人工智能介绍》中的识别苹果和香蕉的逻辑。那么可以选择特征向量 fv 为 [形状狭长，是黄色]。形状狭长这个特征的取值范围为[0, 1]，值越大代表形状越狭长。是黄色这个特征是离散值，是为1，不是为0。设置阈值为0.5，如果计算出来的结果大于0.5，说明是香蕉；反之结果小于0.5，是苹果。那么我们的预测机制是：先判断出当前照片的特征向量，如下图，由于形状是圆形，颜色为绿色，所以其特征向量 fv为：[0，0]，然后再求fv和w的标量积：fv*w = 0, 所以结果是苹果。
总结一下，特征最早来源于统计学中如线性回归中的可解释变量，用途是为了用数字化的形式来区分实际场景中的物体，一般会要求特征有区分度、可衡量相似性的特点。
