我无法理解在机器学习中使用 Vector 来表示一组特征。
如果查找向量的定义，那么根据维基百科，向量是具有大小和方向的实体。
当将向量应用于例如物理以表示力、速度、加速度等时，可以理解这一点：向量的分量表示物理属性沿空间轴的分量。例如，速度向量的分量表示沿 x、y 和 z 轴的速度
但是，当将向量应用于机器学习来表示特征时，这些特征可能是完全不相关的实体。它们可以有完全不同的单位：一个特征可以是一个人的长度（以米为单位），另一个可以是一个人的年龄（以年为单位）。
但是，这样一个向量的大小是什么意思，然后由米和年的总和形成呢？方向呢？
我确实知道特征的标准化以使它们具有相似的范围，但我的问题更为根本。
我无法理解在机器学习中使用 Vector 来表示一组特征。
简而言之，我想说“特征向量”只是谈论一组特征的一种方便方式。
实际上，对于每个标签“y”（待预测），您需要一组值“X”。一种非常方便的表示方法是将值放入向量中，这样当您考虑多个标签时，您最终会得到一个矩阵，每个标签包含一行，每个特征包含一列。
以抽象的方式，您绝对可以认为这些向量属于多维空间，但（通常）不是欧几里得空间。因此所有的数学都适用，只有解释不同！
希望对您有所帮助。
首先让我们谈谈如何组织您的数据。假设您在电子表格中组织您的数据，其中列代表您的特征，而行代表您的不同样本。假设您询问了 3 个人的性别和年龄，然后您得到一个包含 3 行（3 个人）和 2 列（性别、年龄）的电子表格。
现在您可以将每一行解释为单个特征向量。在我们的示例中，特征向量将具有 2 个维度（性别、年龄）。与物理学不同，特征向量的（欧几里德）大小可能对我们没有直接用途，因为维度来自不同的域（相比之下，比较速度向量）。尽管如此，我们可以计算幅度（归一化后）。另一方面，特征向量的方向很重要，因为它代表了特征值本身。
总而言之，不应像在物理学中那样直接解释特征向量。
从数学、物理和计算机科学的角度来看，向量具有透视性。
我建议您观看Grant Sanderson 在他的频道3BLUE1BROWN上关于向量的视频，或者更确切地说，观看他关于ESSENCE OF LINEAR ALGEBRA的整个系列，以便更好地了解线性代数。
谈到特征向量，它们只不过是所有以特定方式排列的特征（个体属性或被观察现象的特征）的集合。 它是代表机器学习算法所需的某些对象的数值特征的 n 维向量。只需浏览我在其中写过关于特征向量的这篇 Wikipedia文章。