前三节（3-1、3-2和3-3）分别从output space、data label和protocol三个方面对ML Algorithm进行了划分。本节从input space的角度来对ML Algorithm进行区分。
最简单的情况：concrete feature
对于一个给定的input data set，最简单的情况就是能够从给定的特征中提取出需要学习的信息。如上图中Coin Recognition的例子。我们只要简单地从mass和size两个方面就可以对coin所属的class进行分类，而在input space中正好给出的又是这两个feature。这是一种最简单的给出feature的方式，因为我们需要提取的domain knowledge就已经从data的feature中得到了体现。
有可能要进行convert或者transact的情况：raw feature
在这种情况下，通常我们是不能够直接获得所需要的feature的。如图上图给出的digit recognition的问题，input space就是一些图片，我们能够获得的信息仅有图中pixel的信息。单从这些信息是不能直接进行该digit recognition problem的求解的。我们需要再对这些pixel进行convert或者transact的操作（比如计算笔画拐弯处的pixel密度等）才能分析这些pixel信息中带的feature。通常这些convert的行为成为feature engineering，该项工程就是用来将raw feature转化成concrete feature从而进行分析的。
最复杂的情况：abstract feature
最复杂的一种情况，就是我们手中拿到的input data set里边仅存的是极为抽象的数据。就像2011年KDDCUP的题目，我们需要预测用户对每首歌曲的评分，然而我们手上仅有的是用户的ID以及歌曲的ID。这就是一种很抽象的feature的情况，从手上的数据很难直接提取出有用的可用于分析的feature。因此在这种情况下需要对数据进行conversion/extraction/construction等操作才能够获得有用的信息。从KDDCUP的那个例子来说，我们需要从用户的特征提取出他们所喜欢的音乐的feature，再对每首歌进行分析，并将每首歌与这种feature进行匹配，最后通过匹配的程度对每位用户的评分做出prediction。这种情况与raw feature的区别在于这种情况更为复杂，甚至不能通过简单地通过计算进行convert，就像KDDCUP所描述的问题，可能需要用到一些Data Mining的方法才能够对数据进行转化和分析。