मॉडल वास्तविक स्थिति को सीधे तौर पर नहीं देखते। वे विशेषताओं को देखते हैं, यानी डेटा से निकाले गए मापने योग्य गुण जिन्हें लर्निंग एल्गोरिदम में डाला जाता है। एक घर का क्षेत्रफल, बेडरूम की संख्या, उम्र और स्थान को मॉडल में बदल दिया जाता है। एक दस्तावेज़ को शब्द गणना या एम्बेडिंग में बदल दिया जाता है।

एक समय में फीचर इंजीनियरिंग एप्लाइड मशीन लर्निंग पर हावी थी। प्रैक्टिशनर्स मॉडल को पैटर्न खोजने में मदद करने के लिए अनुपात, लॉग ट्रांसफॉर्म और इंटरैक्शन टर्म्स को मैन्युअल रूप से तैयार करते थे। डीप लर्निंग ने इस क्षेत्र में बदलाव ला दिया, जिससे नेटवर्क सीधे कच्चे इनपुट से फीचर्स सीख सकते हैं।

सामान्य विशेषता प्रकार

• मूल्य या तापमान जैसे संख्यात्मक मान
• श्रेणीबद्ध लेबलों को संख्याओं के रूप में कोडित किया गया है
• टेक्स्ट को गणना या वैक्टर में परिवर्तित किया गया
• छवि पिक्सेल या सीखे गए एम्बेडिंग
• व्युत्पन्न अनुपात और अंतःक्रियाएँ

अच्छे फ़ीचर्स सिग्नल को आगे बढ़ाते हैं। अनावश्यक या शोरगुल वाले फ़ीचर्स ट्रेनिंग को धीमा कर देते हैं और जनरलाइज़ेशन को नुकसान पहुंचाते हैं। फ़ीचर चयन और निष्कर्षण महत्वपूर्ण बने रहते हैं, खासकर छोटे डेटासेट पर जहां डीप लर्निंग का बहुत कम लाभ होता है।