Wat is Feature?

Wat is een Feature eigenlijk?

Stel je voor dat je een vriend leert appels en peren uit elkaar te houden. Je zou hem kunnen wijzen op kenmerken zoals kleur, vorm, grootte en structuur van de schil. Die kenmerken zijn precies wat we in AI-land features noemen.

Een feature is een meetbare eigenschap van je data die een AI-model gebruikt als input. Als je een model traint om huizenprijzen te voorspellen, zijn je features bijvoorbeeld het aantal kamers, de oppervlakte, de buurt, het bouwjaar. Als je een model bouwt dat foto's van honden en katten herkent, zijn features dingen zoals pixelwaarden, vormen, texturen.

Het woord komt uit het Engels en betekent letterlijk 'kenmerk' of 'eigenschap'. In de AI-context spreken we vaak gewoon van 'features' — ook in het Nederlands.

Waarom zijn features zo belangrijk?

Je model is namelijk alleen zo goed als de features die je het geeft. Een slimme keuze van features kan het verschil maken tussen een model dat werkt en eentje die nergens op slaat.

Stel je maakt een spam-filter. Als je alleen naar de lengte van een e-mail kijkt (één feature), mis je waarschijnlijk veel spam. Maar als je ook kijkt naar woorden zoals 'gratis', 'winnen', 'klik hier' (meer features), wordt je model ineens veel slimmer.

Feature engineering is de term voor het slim kiezen, combineren en bewerken van features. Bijvoorbeeld: in plaats van alleen 'geboortedatum' als feature, maak je daar 'leeftijd' van — wat vaak nuttiger is. Of je combineert 'oppervlakte' en 'aantal kamers' tot 'vierkante meter per kamer'.

Bij moderne deep learning (zoals bij beeldherkenning) gebeurt een deel van deze feature-selectie automatisch: het netwerk leert zelf welke kenmerken belangrijk zijn. Maar bij klassieke machine learning moet jij als mens vaak zelf nadenken over welke features je meeneemt.

Een voorbeeld uit de praktijk

Een webshop wil voorspellen of een klant een product gaat kopen. Mogelijke features:

• Aantal eerdere aankopen

• Tijd op de productpagina

• Apparaattype (mobiel/desktop)

• Dag van de week

• Seizoen

• Klikte op 'Voeg toe aan winkelwagen'

Elke feature vertelt het model iets over het koopgedrag. Hoe meer relevante features, hoe beter het model kan leren wat een 'potentiële koper' kenmerkt.

Waar kom je het tegen?

Elk machine learning-model werkt met features — of je nu werkt met:

• Spreadsheets of databases — elke kolom (behalve je doelvariabele) is een potentiële feature

• Computer vision — bij beeldherkenning zijn pixels, kleurkanalen, vormen je features

• Tekstanalyse — woorden, woordfrequenties, zinsbouw worden features

• Aanbevelingssystemen (Netflix, Spotify) — luistergedrag, genres, tijdstippen

• Kredietmodellen bij banken — inkomen, leeftijd, eerdere leningen

In tools zoals scikit-learn (Python), TensorFlow of AutoML-platforms ben je voortdurend bezig met het selecteren en voorbereiden van features. Ook no-code AI-platforms vragen je vaak expliciet welke kolommen uit je dataset je als features wilt gebruiken.

Wat kun je ermee?

Als je begrijpt wat features zijn, kun je gerichter nadenken over welke data je verzamelt en hoe je die voorbereidt. Geen goed model zonder goede features. Neem de tijd om te overwegen: welke eigenschappen van mijn data vertellen echt iets over wat ik wil voorspellen? Welke zijn ruis of irrelevant? Die afweging is misschien wel de belangrijkste stap in elk AI-project — lang voordat je een model gaat trainen.