Feature

Dado

Básico

Categoria: Modelos e arquiteturasSubcategoria: Treinamento e componentes

O que significa

Em Machine Learning, feature é uma variável de entrada usada pelo modelo para fazer previsões: idade do cliente, número de compras no último mês, dia da semana, tempo desde o último contato. O conjunto de features é o que o modelo “enxerga” sobre cada caso. Feature engineering é a prática de criar, transformar e selecionar essas variáveis a partir dos dados brutos. Muitas vezes, a diferença entre um modelo bom e um ruim está mais nas features do que no algoritmo. Em Deep Learning, o modelo aprende as features sozinho a partir do dado bruto, como pixels ou texto. Por isso, o termo aparece mais em ML clássico sobre dados tabulares. Atenção: em Produto, “feature” também significa funcionalidade. O contexto costuma deixar claro qual dos dois sentidos está em uso.

Como usar na prática de produto

Em Produto, as features definem o que o modelo consegue perceber. Se a informação que explica o fenômeno não está em nenhuma feature, o modelo não vai encontrá-la, por mais sofisticado que seja. O time de Produto contribui com conhecimento de domínio. A pergunta certa é: quais sinais os especialistas usam para decidir? Um analista de risco experiente sabe que o tempo desde a última manutenção importa para prever avarias; essa informação precisa virar uma feature. Também é papel de Produto questionar features que podem trazer viés ou problemas legais, como usar CEP como proxy de renda ou origem, e garantir que os dados usados estejam disponíveis no momento da previsão, e não só no histórico.

Quando usar este termo ou outro

Use feature quando estiver falando de variáveis de entrada de um modelo de Machine Learning clássico. Use contexto ou prompt quando estiver falando das informações fornecidas a um LLM em cada chamada, que cumprem papel parecido. Use funcionalidade quando o sentido for o de Produto, para evitar ambiguidade em conversas com times técnicos. Uma forma simples de diferenciar: feature em ML é o que o modelo usa para prever; feature em Produto é o que o usuário usa no produto.

Exemplos de aplicação

Churn: incluir frequência de uso, tempo desde o último acesso e número de chamados como features.
Crédito: usar histórico de pagamentos e renda declarada, evitando proxies discriminatórios.
Manutenção: adicionar “tempo desde a última revisão” ao modelo de risco de falha.
Recomendação: criar features a partir do comportamento de navegação do usuário.
Fraude: derivar a velocidade de transações em uma janela de tempo como sinal.
Revisão de viés: analisar quais features mais influenciam o modelo e se alguma é problemática.

Origem do termo

Terminologia de reconhecimento de padrões (anos 1960); 'feature engineering' como disciplina consolidou-se com o ML aplicado dos anos 2000.

Fonte técnica

Google Machine Learning Glossary; Google ML Crash Course, Feature Engineering