V rozpoznávání vzorů a strojovém učení je vektor funkcí n-rozměrný vektor číselných funkcí, které reprezentují nějaký objekt. Mnoho algoritmů ve strojovém učení vyžaduje číselnou reprezentaci objektů, protože taková reprezentace usnadňuje zpracování a statistickou analýzu. Při reprezentaci obrázků mohou hodnoty příznaků odpovídat pixelům obrázku, zatímco při reprezentaci textů mohou být příznaky četnosti výskytu textových výrazů. Vektory příznaků jsou ekvivalentní vektorům vysvětlujících proměnných používaných ve statistických postupech, jako je lineární regrese. Vektory příznaků se často kombinují s váhami pomocí bodového součinu, aby se zkonstruovala lineární predikční funkce, která se používá k určení skóre pro provedení predikce.
Prostor vektorů spojený s těmito vektory se často nazývá prostor příznaků. Pro snížení dimenzionality prostoru příznaků lze použít řadu technik redukce dimenzionality.
Příznaky vyšší úrovně lze získat z již dostupných příznaků a přidat je k vektoru příznaků; například pro studium nemocí je užitečný příznak „věk“, který je definován jako věk = „rok úmrtí“ minus „rok narození“ . Tento proces se označuje jako konstrukce příznaků. Konstrukce rysů je aplikace souboru konstrukčních operátorů na soubor existujících rysů, jejímž výsledkem je konstrukce nových rysů. Příklady takových konstruktivních operátorů zahrnují kontrolu podmínek rovnosti {=, ≠}, aritmetické operátory {+,-,×, /}, operátory pole {max(S), min(S), average(S)} a také další složitější operátory, například count(S,C), který počítá počet rysů ve vektoru rysů S splňujících nějakou podmínku C nebo například vzdálenosti k jiným třídám rozpoznávání zobecněné nějakým akceptačním zařízením. Konstrukce příznaků je již dlouho považována za mocný nástroj pro zvýšení přesnosti i pochopení struktury, zejména u problémů s vysokou dimenzí. Aplikace zahrnují studie nemocí a rozpoznávání emocí z řeči
.