Modeller ser ikke rå virkelighet. De ser funksjoner, de målbare egenskapene som hentes fra data og mates inn i en læringsalgoritme. Et hus blir til kvadratmeter, antall soverom, alder og beliggenhet. Et dokument blir til ordtelling eller innebygde elementer.

Funksjonsteknikk dominerte en gang anvendt maskinlæring. Utøvere håndlagde forholdstall, logaritmiske transformasjoner og interaksjonsledd for å hjelpe modeller med å finne mønstre. Dyp læring endret arbeidet, slik at nettverk kunne lære funksjoner direkte fra rå input.

Vanlige funksjonstyper

• Numeriske verdier som pris eller temperatur
• Kategoriske etiketter kodet som tall
• Tekst konvertert til antall eller vektorer
• Bildepiksler eller lærte innebygginger
• Avledede forhold og interaksjoner

Gode ​​funksjoner bærer signal. Redundante eller støyende funksjoner forsinker trening og skader generalisering. Funksjonsvalg og -utvinning er fortsatt viktig, spesielt på små datasett der dyp læring har liten fordel.