稀疏特征（稀疏矩阵）

所谓”稀疏“，是很常见的一个词，比如稀疏矩阵，稀疏编码。这里直白点讲，就是非零值很少。就如对于矩阵而言，稀疏矩阵，就是大部分数据都为0，少部分不为0，稀疏正是指”非0数据很少。

那么”稀疏特征“，如果用矩阵的形式表达，得到的就是稀疏矩阵。“稀疏特征”在大多数的特征上其值为0，只有少部分的特征非0。

一般在machine learning意义上，我们常说的feature，是一种对数据的表达。当然，要衡量一种feature是否是合适的表达，要根据数据，应用，ML的模型，方法....很多方面来看。
一般来说，Feature应该是informative（富有信息量），discriminative（有区分性）和independent（独立）的。
那么具体怎么选择feature，其实一直是一个开放的问题。
在机器学习里面，feature的选择是至关重要的：对于同一种学习的模型，同样的学习方法，同样的数据，选择不同的feature来表达，可能会产生完全不同的效果。

Feature有很多种特性和分类：Feature可以是Linear（线性），也可以是Non-linear（非线性）的；Feature可以是Fixed（固顶的），也可以是Adaptive（适应性的)....甚至feature都可以不是numerical的，但因为题主问的是sparse feature，所以我就在这里特指numerical的feature。

如果把我们的每一个数据点，想象成一个vector（向量），记作y，对应的feature则可以用另外一个vector来表示，记作x。

那么关于稀疏特性的feature（sparse feature），其实  @曾博同学已经说得一针见血了....就是x这个向量里面有很多index都是0....而非零的index远小于x的维度（x向量的长度）。
如果你的问题只是how to define Sparse Feature, 那么that's it....没了，就是零比较多而已...

如果你想知道为什么sparse feature在某些应用里面表现很好？