Kuvantunnistuksessa ja koneoppimisessa feature-vektori on n-ulotteinen vektori numeerisia piirteitä, jotka edustavat jotakin kohdetta. Monet koneoppimisen algoritmit vaativat numeerisen esityksen kohteista, koska tällaiset esitykset helpottavat käsittelyä ja tilastollista analyysia. Kuvia esitettäessä piirrearvot voivat vastata kuvan pikseleitä, kun taas tekstejä esitettäessä piirteet voivat olla tekstitermejä kuvaavia esiintymistiheyksiä. Ominaisuusvektorit vastaavat selittävien muuttujien vektoreita, joita käytetään tilastollisissa menettelyissä, kuten lineaarisessa regressiossa. Ominaisuusvektorit yhdistetään usein painoihin pistetuoton avulla, jotta voidaan muodostaa lineaarinen ennustefunktio, jota käytetään pisteytyksen määrittämiseen ennusteen tekemistä varten.
Näihin vektoreihin liittyvää vektoriavaruutta kutsutaan usein ominaisuusavaruudeksi. Ominaisuusavaruuden ulottuvuuden pienentämiseksi voidaan käyttää useita ulottuvuuden pienentämistekniikoita.
Korkeamman tason ominaisuuksia voidaan saada jo käytettävissä olevista ominaisuuksista ja lisätä ominaisuusvektoriin; esimerkiksi sairauksien tutkimisessa on hyödyllinen ominaisuus ”Ikä”, joka määritellään seuraavasti: Ikä = ”Kuolinvuosi” miinus ”Syntymävuosi” . Tätä prosessia kutsutaan ominaisuuksien rakentamiseksi. Ominaisuuksien rakentaminen on joukon konstruktiivisten operaattoreiden soveltamista jo olemassa oleviin ominaisuuksiin, mikä johtaa uusien ominaisuuksien rakentamiseen. Esimerkkejä tällaisista konstruktiivisista operaattoreista ovat yhtäläisyysehtojen {=, ≠} tarkistaminen, aritmeettiset operaattorit {+,-,×, /}, joukko-operaattorit {max(S), min(S), keskiarvo(S)} sekä muut kehittyneemmät operaattorit, esimerkiksi count(S,C), joka laskee piirrevektorin S piirteiden lukumäärän, jotka tyydyttävät jonkun ehdon C, tai esimerkiksi etäisyyksien määrän muihin tunnistusluokkiin, jotka on yleistetty jollakin hyväksyvällä laitteella. Ominaisuuksien rakentamista on jo pitkään pidetty tehokkaana välineenä sekä tarkkuuden että rakenteen ymmärtämisen lisäämiseksi, erityisesti korkea-ulotteisissa ongelmissa. Sovelluksia ovat esimerkiksi sairauksien tutkiminen ja tunteiden tunnistaminen puheesta.