【图像匹配】-什么是稀疏特征(Sparse Features)?

一、什么是feature（特征）？

在机器学习中，特征是一种对数据的表达。
衡量特征是否能合适的表达数据。需要根据数据，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。
具体怎么选择feature，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。

二、Feature的特性和分类

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（数值）的，其中sparse feature是numerical的feature。

三、什么是sparse 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（向量）来表示，记作x。
那么关于稀疏特性的feature（sparse feature），其实就是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）。

参考知乎回答