Modelele nu văd realitatea brută. Ele văd caracteristici, proprietăți măsurabile extrase din date și introduse într-un algoritm de învățare. O casă se transformă în suprafață, număr de dormitoare, vârstă și locație. Un document se transformă în număr de cuvinte sau în încorporări.

Ingineria caracteristicilor a dominat cândva învățarea automată aplicată. Practicienii au creat manual rapoarte, transformări logaritmice și termeni de interacțiune pentru a ajuta modelele să găsească tipare. Învățarea profundă a schimbat munca, permițând rețelelor să învețe caracteristici direct din datele brute de intrare.

Tipuri comune de caracteristici

• Valori numerice precum prețul sau temperatura
• Etichete categorice codificate ca numere
• Text convertit în numărătoare sau vectori
• Pixeli de imagine sau încorporări învățate
• Rapoarte derivate și interacțiuni

Caracteristicile bune transmit semnalul. Cele redundante sau zgomotoase încetinesc antrenamentul și afectează generalizarea. Selecția și extragerea caracteristicilor rămân importante, în special în cazul seturilor de date mici, unde învățarea profundă are avantaje reduse.