虽然现在深度学习非常火，端到端的方法更加是非常流行，虽然在这些方法中特征工程显得没有那么重要，但是如果把特征理解成先验知识的话，如何在各自的任务将先验知识编码进去，现在仍然是一个比较火的问题。
但是对于传统的机器学习来说，特征工程可能是整个系统最最重要的部分。好的特征工程直接决定最后系统的效果，那么所说的特征到底是什么呢？
特征其实是对一个事物的客观属性描述！！
这里我说一点自己的理解用于备忘。
假如我们有一个机器学习系统需要对人的性别进行分类。
这属于经典的模式分类问题，处理步骤如下：
1）信息获取
2）预处理：对获取信号进行规范化等各种处理
3）特征提取与选择：将识别样本构造成便于比较、分析的描述量即特征向量
4）分类器设计：由训练过程将训练样本提供的信息变为判别事物的判别函数
5）分类决策：对样本特征分量按判别函数的计算结果进行分类
而第三步的特征选择的好坏直接决定最后的性能！
举例
机器学习系统需要对人的性别进行分类！
这个例子中特征到底是什么呢？特征其实是对一个事物的客观属性描述！！
比如对周杰伦男人（具体个体）来说，他的特征是什么呢？
比如他是一个歌手，身高1.75米，体重130斤，长得帅，有钱，皮肤黄色，头发短，有公司.....等等。
周杰伦的特征就是所有可以描述他的一切信息！
但是我们能不能将所有的特征考虑进去呢？
当然是没必要的!
很多特征对于我们要解决的问题其实是并没有多大帮助，比如我们要进行的男人和女人分类来说。头发的长度这个特征远远比皮肤颜色这个特征有用的多！
因为一般的男生头发较短，女生头发较长。而男生和女生的皮肤颜色一般区别不大。我们应该尽量选择要分类类别之间的差别大的特征。无论是从维度上考虑还是对最后系统的帮助上来看。
推荐阅读：
干货|机器学习零基础？不要怕，吴恩达课程笔记第三周！逻辑回归与正则
干货|机器学习零基础？不要怕，吴恩达机器学习课程笔记2-多元线性回归
欢迎关注公众号学习交流~
欢迎加入交流群交流学习
