一般在machine learning意义上，我们常说的feature，是一种对数据的表达。当然，要衡量一种feature是否是合适的表达，要根据数据，应用，ML的模型，方法....很多方面来看。
一般来说，Feature应该是informative（富有信息量），discriminative（有区分性）和independent（独立）的。
那么具体怎么选择feature，其实一直是一个开放的问题。
在机器学习里面，feature的选择是至关重要的：对于同一种学习的模型，同样的学习方法，同样的数据，选择不同的feature来表达，可能会产生完全不同的效果。
Feature有很多种特性和分类：Feature可以是Linear（线性），也可以是Non-linear（非线性）的；Feature可以是Fixed（固顶的），也可以是Adaptive（适应性的)....甚至feature都可以不是numerical的，但因为题主问的是sparse feature，所以我就在这里特指numerical的feature。
如果把我们的每一个数据点，想象成一个vector（向量），记作y，对应的feature则可以用另外一个vector来表示，记作x。
而稀疏特性的feature（sparse feature），就是x这个向量里面有很多index都是0....而非零的index远小于x的维度（x向量的长度）。
实际上，稀疏特征和特征的区别就是零比较多。
参考资料：https://www.zhihu.com/question/31951092/answer/54137923
下面放一个京东白条部门的大佬写的关于特征工程的文章。
特征工程到底是什么？ - 京东白条的回答 - 知乎 https://www.zhihu.com/question/29316149/answer/417545247