一、首先我们看三个例子

例一：在辨别水果的任务中，人类一般会通过外观、味道、颜色等方面信息来进行区分。而机器学习则通过水果的颜色、重量、气味成分的量等被称之为“特征量”的数值来区分。

例二：在手写数字识别任务中，人类可以很简单的识别出数字5，但却很难说明基于何种规律或是特征识别出了5，这是因为每一个人都有不同的书写习惯要发现其规律非常困难。

例三：在猫狗分类的任务中，如果用有尾巴，有眼睛鼻子嘴巴等特征来区分猫狗，显然是无法进行区分的，因为这些特征猫狗都有。

二、特征量的定义

        在机器学习中，特征量（Feature）是指用于描述或刻画数据实例的属性、变量或指标。每一个特征代表了原始数据的一个特定维度上的信息，它们是模型进行学习和预测的基础。上面三个例子中，水果的外观、味道、颜色就是特征量，猫狗的鼻子眼睛嘴巴就是特征量。

三、特征量的瓶颈

        上述的例子中有比较容易考虑特征量的问题，也有难以考虑特征量的问题。如果只是为了学习，输入一个不太靠谱的特征量也可以进行学习，不过为了提高算法性能，选择怎么样的特征量这件事情就十分重要。

        机器学习的方法中，特征量仍然是由人工设计的，而在神经网络中，数据所包含的重要特征都是由机器来学习到的。（下图中没有人工介入的地方用灰色表示）