特征变换（feature transformation），理学-计算机科学技术-人工智能-机器学习-特征学习-特征变换，一类能够产生新特征的方法的集合。特征变换方法能够产生表示能力更强的特征。当新的特征有更强大的表示能力且比原始特征更加精简时，此类方法可以用于特征降维。此时，表示能力较弱的特征在模型构建的过程中会被滤除。降维后的特征表示能够缓解维数灾难，同时利于数据可视化。特征变换一般的思路是通过某种数学变换将高维的属性空间转化为低维的子空间。子空间中样本密度大幅提高，样本间的计算如距离等也更为容易。变换后的子空间往往与学习任务密切相关，在子空间中更容易进行学习。特征变换可以分为线性和非线性变换两类。线性变换的一般形式是通过线性投影矩阵作用于原始数据，得到变换后的（低维）特征表示。通过对投影矩阵施加不同的约束，能够产生不同的特征变换方法，使低维子空间具有不同的性质。如要求子空间中样本之间的距离和原始空间中样本间的距离保持一致，或要求子空间中的样本能尽可能重构原始空间中的样本。非线性特征变换主要包括人工设计的复杂变换方式，或通过非线性学习方法如流形学习、核技巧等手段进行实现。