Cómo funciona
Feature, o atributo, es una característica de una muestra que el modelo de machine learning usa como entrada. Una imagen, un mensaje o un cliente pueden representarse con un conjunto de features que describen lo que se está analizando. Cada muestra se transforma en un vector de números que captura aspectos relevantes, y el modelo aprende a combinar esos valores para producir una predicción. Si las features son débiles, el modelo no logra generalizar, aunque haya mucha cantidad de datos. La calidad de las features determina el límite superior de rendimiento de cualquier modelo, independientemente de su arquitectura. Los valores suelen estandarizarse o normalizarse antes de entrar a la red, para que una feature con un rango enorme no domine a las demás. La selección de buenas features exige validación cruzada y seguimiento continuo, porque el comportamiento del mundo cambia y el modelo puede necesitar nuevas entradas.
Ejemplo práctico
Para predecir si un cliente va a comprar, las features pueden ser edad, historial de compras, tiempo desde la última visita y tipo de producto. El modelo combina esos números y emite una probabilidad de conversión. Si las features son ruido, el modelo puede verse bien en datos antiguos y romperse en producción. Los ingenieros de datos validan las features con estadísticas y monitorean cambios en el comportamiento de los clientes antes de invertir en un modelo. Incluso un modelo muy complejo produce resultados débiles cuando la representación de entrada está mal hecha. Si un cliente no compra, las features pueden indicar que el anuncio no llegó al público correcto o que el precio estuvo fuera de la expectativa del comprador.
Para qué sirve
La ingeniería de features decide si el modelo logra aprender patrones útiles. Buenas features reducen la cantidad de datos necesarios y mejoran la precisión. Features malas generan modelos que memorizan ruido y se rompen en producción. El sistema de features también facilita que los equipos de negocio y de ingeniería usen la misma definición de dato, reduciendo divergencias entre lo que el modelo aprende y lo que muestra el dashboard. En proyectos reales, la elección de features empieza con una lista de factores de negocio, y cada factor se verifica si representa algo que el modelo podrá aprender con confianza.
Diferencia entre X e Y
Feature es la representación de entrada; label es la salida que el modelo intenta predecir. Feature store es el sistema que almacena y comparte esas representaciones entre equipos de ingeniería y ciencia de datos.