Feature Extraction

定义 Definition

Feature extraction（特征提取）：在数据（如文本、图像、声音、传感器信号）中提取能代表关键信息的可量化特征，并将原始数据转换为更适合分析或机器学习模型使用的表示方式。常用于降维、去噪、提高模型效果与计算效率。（该术语在不同领域也可指更广义的“提取有用信息”。）

发音 Pronunciation (IPA)

/ˈfiːtʃər ɪkˈstrækʃən/

例句 Examples

Feature extraction helps the model learn faster.
特征提取能帮助模型更快地学习。

In image recognition, careful feature extraction can improve accuracy by emphasizing edges, textures, and shapes while reducing noise.
在图像识别中，精心的特征提取可以通过强调边缘、纹理和形状并减少噪声来提高准确率。

词源 Etymology

feature 源自古法语 feature（“形状、外观、面貌”），更早可追溯到拉丁语 factura（“制作、成形”相关）。extraction 来自拉丁语 extrahere（ex- “向外” + trahere “拉、拖”），原义是“抽取出来”。合起来，“feature extraction”字面即“把特征抽取出来”，在统计与机器学习语境中逐渐固定为“从原始数据构造特征表示”的术语。

相关词 Related Words

• Representation
• Feature
• Embedding
• Vectorization
• Preprocessing
• Dimensionality
• Dimensionality Reduction
• Principal Component Analysis
• Signal Processing
• Pattern Recognition

文学与著作 Notable Works

• Pattern Recognition and Machine Learning（Christopher M. Bishop）——讨论特征表示与降维等与特征提取密切相关的内容。
• The Elements of Statistical Learning（Hastie, Tibshirani, Friedman）——在监督学习框架下强调特征工程/特征构造的重要性。
• Feature Extraction: Foundations and Applications（Isabelle Guyon 等编）——专门围绕特征提取方法与应用的经典编著。
• Deep Learning（Ian Goodfellow, Yoshua Bengio, Aaron Courville）——在表征学习语境中讨论传统特征提取与深度模型自动学习特征的关系。