P3-6.3 人工设计的特征，与模型学习到的表示，应该怎样区分¶

Section ID: P3-6.3 Version: v2026.09.19

可以不制作手工汇总特征，而把保留顺序的原始测量值交给模型。必须明确的是样本单位、预测时点之前可用的资料，以及要回答的问题。输入边界必须确定；均值、斜率和 token 则按需选择。

同一批原始值可以进入两条输入路径¶

以虚构的已完成动作为例，四个等间隔传感器观测为 [1, 3, 3, 1]。规定在动作结束时，用这四个值预测之后是否需要检查。两条路径使用同一批资料和同一预测时点。

区分	使用汇总特征的路径	保留有序数值的路径
人规定的输入	均值 2，末值−首值 0	[1, 3, 3, 1] 的顺序与测量间隔
保留的信息	整体水平与两端差值	中间升高的位置数值
学习的例子	学习两个特征与结果之间的关系	处理序列的神经网络学习区分位置间模式的内部值
人还需确定的内容	汇总规则、单位、缺失处理	长度、顺序、间隔、缺失处理与输入格式

第二条路径不要求先计算均值或 token，但也不能随便提供任意格式的文件。仍需规定单位、顺序和有效观测范围，并准备模型接受的数组格式。也可以结合两条路径，同时提供序列和汇总特征。

[3, 1, 1, 3] 的均值同样为 2，末值减首值也为 0。只收到这两个汇总特征的模型，无法从输入区分两个动作。保留顺序的输入仍然不同，因此区分所需的信息还在；模型是否能有效利用它，要根据资料、学习目标和模型验证。信息存在与性能良好是不同判断。

区别人规定的计算与学习得到的计算¶

均值公式或固定的 UP/FLAT/DOWN 边界，是人明确指定的规则。表示学习则通过训练中调整的参数，把输入变成内部值。人规定学习目标与模型结构等，但不必把每个内部值都人工命名为“后段下降”。学得的值也不保证像手工特征一样容易直接解释。

并非所有模型都会学习新的内部表示。有些模型从给定特征学习它们与结果之间的关系。反过来，学习内部表示的模型也可以接收手工特征。因此，谁汇总了输入与模型学习什么，需要分别判断。

前一节的“中间表示”是人按规则制作的区段或 token。在其他语境中，神经网络内部学得的值也称中间表示。应确认它指的是固定规则制作的输入，还是通过学习调整的内部值。具体学习机制将在后面的深度学习 Part 介绍。

图像与文档同样需要输入边界¶

资料	人需确定的边界示例	可能的输入路径
传感器动作	完整动作还是截至当前的 30 秒，使用哪些传感器	汇总特征或有序测量值
图像	整张照片还是裁剪区域，拍摄时点与对象是什么	颜色汇总或准备好的像素数组
文档	整篇文档还是段落，能读取哪个版本	词数汇总或有序文本 token

文本 token 是供模型输入使用的语言处理单位，与前一节的斜率 token 规则不同。任何路径都不应把预测时点之后产生的结果混入输入。学习内部表示也不能如实恢复缺失记录，或在输入之前已丢弃的细节。

两条路径中由人负责的判断¶

flowchart TD
    Q["问题、样本、预测时点、输入范围"] --> R["同一批原始测量"]
    R --> A["选择汇总特征"]
    A --> B["学习给定特征与结果的关系"]
    R --> C["准备有序数值"]
    C --> D["学习神经网络内部表示"]

请改正：“使用深度学习必须先计算均值，再转换为 token，然后输入神经网络。”答案是：“先确定样本、预测时点和输入范围，再按目的选择汇总特征、有序原始值或需要的 token。”可以省去手工汇总，但不能省去输入说明。

如果两个数组都缩减为单个均值 2，更大的神经网络能恢复原顺序吗？仅凭该输入无法确定原来是哪一个数组。需要的顺序信息应在设计输入时保留。

检查清单¶

能否区分必需的输入边界与可选的手工汇总？
能否用两条路径表达同一批原始值，并说明各自丢失的信息？
能否区分固定计算规则与学得的内部计算？
能否为一张图像与一篇文档规定输入范围？

来源与参考资料¶

Google for Developers, Machine Learning Glossary. 参考 feature、feature engineering 与 representation 的术语定义。两个数组与输入路径是自行设计的说明案例。 / 2026-09-19