特征与表示决定模型看见什么

现实对象不能直接进入大多数模型。文字要转成标记或向量，影像要组织成像元和波段，业务记录要选择字段并处理缺失。这个转换形成表示。模型只能利用表示中保留的信息，也会继承表示引入的假设与偏差。

特征不是对象本身

地块面积、坡度、光谱值和道路距离可以描述一块土地，但它们没有包含地块的全部现实状态。选择哪些特征，等于判断哪些信息与任务相关。遗漏关键因素会限制模型，加入部署时无法取得的字段则会造成训练与使用不一致。

代理变量需要格外谨慎。邮政编码可能与服务区域相关，也可能间接编码收入或群体差异。模型发现相关性不代表这种变量适合进入决策，风险还要结合用途和受影响对象评估。

许多模型依赖距离、内积或梯度。如果一个特征以百万计，另一个位于零到一之间，前者可能支配计算。标准化和归一化改变数值尺度，但不能修复单位错误或不合理编码。

类别变量也不能随意赋整数后当成连续量。把土地类型编码为 1、2、3 会暗示顺序和距离；独热编码、目标编码和嵌入表示各有不同假设。编码方法必须在训练和推理阶段保持一致。

原始时间戳可以派生季节、工作日和时间间隔，坐标可以派生距离或空间邻域，文本可以转成词频。这样的特征降低模型学习难度，也可能提前限定关系形式。例如只保留到最近设施的距离，会丢失方向、道路阻隔和多个设施共同作用。

特征计算还可能泄漏未来信息。用事件发生后的统计量预测事件，或在全体数据上计算归一化参数后再划分测试集，都会让评价过于乐观。特征流水线应只使用预测时可获得的信息，并在训练折内拟合处理参数。

深度学习可以从像元、标记或波形中学习中间表示。嵌入向量把离散对象映射到连续空间，多层网络逐步组合局部模式。学习表示减少了部分手工设计，却没有消除选择：网络结构、训练数据和目标函数仍决定什么关系被保留。

向量接近只表示在特定训练目标下产生相似表示，不自动等于现实语义相同。换任务、换模型或换数据后，距离含义可能改变。

特征定义、单位、缺失处理、类别词典和计算代码应与模型一起版本化。上线前要比较训练与服务输出，监测缺失率、范围和分布变化。scikit-learn 的转换与流水线文档提供实现参考，具体行为需按所用版本核对。

一个可靠表示应回答：每个维度从哪里来，何时可用，单位是什么，错误怎样处理，与任务的关系有什么依据。模型看见的世界由这些答案构成。

Ian Goodfellow、Yoshua Bengio、Aaron Courville：《Deep Learning》在线版，https://www.deeplearningbook.org/
scikit-learn Project：User Guide，https://scikit-learn.org/stable/user_guide.html