特征和预测器在今天的机器学习中可以互换使用，尽管我必须承认，特征似乎比预测器更多地被使用。该定义是您已经提到的维基百科上的定义。术语预测器来自统计，这里有一个定义：

自变量，有时称为实验变量或预测变量，是在实验中被操纵以观察对因变量（有时称为结果变量）的影响的变量。

和我最喜欢的定义： 预测变量解释响应的变化。

简而言之：X 列：特征、预测变量、自变量、实验变量。y 列：目标、因变量、结果、结果变量。

预测器是第一级输入变量，而特征可能是第一级或第二级。在这里，第一级意味着预测器作为预测响应或输出的输入变量。第二级意味着特征作为预测变量或输入变量的非线性变换，使用一些基础或特征映射来捕获继承的特殊结构。

一个特征可能是一个预测器，但它不一定是。在$Y = f(X)$， 在哪里$Y$是预测结果，特征是所有可用变量$X$. 所以特征本质上是输入变量。假设您有一个案例，您有 10 个特征。可能只有一半具有任何预测价值。丢弃其他特征不会改变预测的质量$Y$.