Feature Space

释义 Definition

特征空间：在机器学习、统计与数据分析中，用来表示数据的“坐标空间”。每个特征（feature）对应一个维度，数据点（样本）在这个空间里以向量形式表示，便于进行分类、回归、聚类或距离计算等操作。（在其他语境中也可更泛指“由特征构成的表示空间”。）

发音 Pronunciation (IPA)

/ˈfiːtʃər speɪs/

例句 Examples

The model learns a decision boundary in feature space.
模型在特征空间中学习一条决策边界。

After the nonlinear mapping, points that overlap in the original data become separable in a higher-dimensional feature space.
经过非线性映射后，原始数据中重叠的点在更高维的特征空间里变得可分。

词源 Etymology

feature 源自古法语 feature（形态、外貌），再追溯到拉丁语 factura（制作、形成），强调“可观察的特征/属性”；space 来自拉丁语 spatium（空间、距离）。组合成 feature space，字面意思是“由特征构成的空间”，在现代统计学习中固定指“以特征为坐标轴的数据表示空间”。

相关词 Related Words

• Vector
• Dimension
• Feature Vector
• Embedding
• Latent Space
• Representation
• Manifold
• Kernel
• Metric
• PCA

文学与名著用例 Literary & Notable Works

• The Elements of Statistical Learning（Hastie, Tibshirani, Friedman）——讨论分类/回归方法时频繁使用“feature space”来描述决策边界与数据表示。
• Pattern Recognition and Machine Learning（Christopher M. Bishop）——在核方法与高维表示等章节中使用“feature space”解释映射与可分性。
• Deep Learning（Goodfellow, Bengio, Courville）——在表示学习语境下常以“feature space”描述网络学到的表征空间。
• Machine Learning: A Probabilistic Perspective（Kevin P. Murphy）——在特征表示、生成/判别模型与降维相关内容中出现该术语。