一般在machine learning意義上，我們常說的feature，是一種對數據的表達。當然，要衡量一種feature是否是合適的表達，要根據數據，應用，ML的模型，方法....很多方面來看。
一般來說，Feature應該是informative（富有信息量），discriminative（有區分性）和independent（獨立）的。
那么具體怎么選擇feature，其實一直是一個開放的問題。
在機器學習里面，feature的選擇是至關重要的：對於同一種學習的模型，同樣的學習方法，同樣的數據，選擇不同的feature來表達，可能會產生完全不同的效果。
Feature有很多種特性和分類：Feature可以是Linear（線性），也可以是Non-linear（非線性）的；Feature可以是Fixed（固頂的），也可以是Adaptive（適應性的)....甚至feature都可以不是numerical的，但因為題主問的是sparse feature，所以我就在這里特指numerical的feature。
如果把我們的每一個數據點，想象成一個vector（向量），記作y，對應的feature則可以用另外一個vector來表示，記作x。
而稀疏特性的feature（sparse feature），就是x這個向量里面有很多index都是0....而非零的index遠小於x的維度（x向量的長度）。
實際上，稀疏特征和特征的區別就是零比較多。
參考資料：https://www.zhihu.com/question/31951092/answer/54137923
下面放一個京東白條部門的大佬寫的關於特征工程的文章。
特征工程到底是什么？ - 京東白條的回答 - 知乎 https://www.zhihu.com/question/29316149/answer/417545247