1.好的特征具有什么样的性质？机器学习提取特征时存在哪些局限性？

（1）好的特征具有不变性和可区分性

不变性：

指的是对大小、尺度和旋转的不变性。比如SIFT特征，HOG特征。

可区分性：

是指不同的特征之间要有一定距离尺度。

（2）机器学习在特征提取需要人工提取的方法，人工提取需要耗费大量时间，需要一定的专业知识和需要依赖经验，对系统准确性，精度和速度有一定的限制

2.深度学习借鉴了人脑视觉机理的哪些特点？

人脑视觉机理：

（1）可视皮层是分级的

（2）人的视觉系统的信息处理是分级的。 从低级的V1区提取边缘特征，再到V2区的形状或者目标的部分等，再到更高层，整个目标、目标的行为等。

（3）高层的特征是低层特征的组合。从低层到高层的特征表示越来越抽象，越来越能表现现语义或者意图。而抽象层面越高，存在的可能猜测就越少，就越利于分类。

深度学习模仿了人的视觉机理，能够分层，抽象迭代。从底层，抽取边缘层特点，从中间抽取对象特点。

3.特征越多越好吗？特征多带来哪些影响？

特征不是越多越好，任何一种方法，特征越多，虽然给出的参考信息就越多，准确性会得到相应的提升。但特征多意味着计算复杂，探索的空间大，可以用来训练的数据在每个特征上就会稀疏，都会带来各种问题，并不一定特征越多越好。再有，特征维度多到一定程度，对机器性能也会提出巨大的挑战。

4.无监督学习和有监督学习的区别是什么

无监督学习：

根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题，称之为无监督学习。

有监督学习：

有监督学习是从标签化训练数据集中推断出函数的机器学习任务。

区别：

（1）有监督学习方法必须要有训练集与测试样本。在训练集中找规律，而对测试样本使用这种规律。而非监督学习没有训练集，只有一组数据，在该组数据集内寻找规律。
（2）有监督学习的方法就是识别事物，识别的结果表现在给待识别数据加上了标签。因此训练样本集必须由带标签的样本组成。而非监督学习方法只有要分析的数据集的本身，预先没有什么标签。如果发现数据集呈现某种聚集性，则可按自然的聚集性分类，但不予以某种预先分类标签对上号为目的。
（3）有监督学习和无监督学习各有不同常用的算法

有监督学习的算法包括：

支持向量机、线性回归、逻辑回归、朴素贝叶斯、线性判别分析、决策树、K-近邻、多层感知机等。

无监督学习的算法包括：

K均值（K-Means）算法、自编码器、主成分分析