特征提取是指将原始数据转化为可以进行处理的数字特征，同时保留原始数据集中的信息的过程。它比直接将机器学习应用于原始数据产生更好的结果．
特征提取可以手动或自动完成:
- 手动特征提取需要识别和描述与给定问题相关的特征，并实现提取这些特征的方法。在许多情况下，对背景或领域有良好的了解可以帮助做出明智的决定，哪些特性可能是有用的。经过几十年的研究，工程师和科学家已经开发出图像、信号和文本的特征提取方法。一个简单特征的例子是信号中窗口的平均值。
- 自动特征提取使用专门的算法或深度网络从信号或图像中自动提取特征，不需要人工干预。当你想从原始数据快速转移到开发机器学习算法时，这种技术非常有用。小波散射是自动特征提取的一个例子。
随着深度学习的兴起，特征提取在很大程度上已被第一层深度网络所取代，但主要用于图像数据。对于信号和时间序列应用，特征提取仍然是第一个挑战，在建立有效的预测模型之前，需要大量的专业知识。
信号和时间序列数据的特征提取
特征提取可以识别信号中最具鉴别性的特征，机器学习或深度学习算法可以更容易地利用这些特征。直接用原始信号训练机器学习或深度学习，由于数据率高和信息冗余，往往效果不佳。
用于机器学习分类器的信号和时间序列数据应用特征提取的原理图过程。
利用短时傅里叶变换的信号谱图。谱图显示了频率含量随时间的变化。
对于开发状态监测和预测性维护应用程序的工程师来说诊断功能设计应用程序在预见性维护工具箱™让您提取、可视化和排序功能，以设计监视机器运行状况的条件指示器。
诊断功能设计师应用程序，让您设计和比较功能，以区别正常和错误的系统。
自动特征提取方法
从信号中自动提取特征的高级方法已经出现。自编码器、小波散射和深度神经网络常用来提取数据的特征和降维。
小波散射网络可以自动从实值时间序列和图像数据中提取低方差特征。这种方法产生的数据表示最小化了类内的差异，同时保留了类间的可区别性。小波散射在没有大量数据的情况下工作得很好。
图像数据的特征提取
图像数据的特征提取将图像中有趣的部分表示为一个紧凑的特征向量。在过去，这是通过专门的特征检测、特征提取和特征匹配算法来完成的。今天，深度学习在图像和视频分析中很流行，并因其能够将原始图像数据作为输入，跳过特征提取步骤而闻名。不管你采用哪种方法，计算机视觉应用，如图像配准、目标检测和分类，以及基于内容的图像检索，都需要图像特征的有效表示——要么通过深层网络的第一层隐式表示，或者明确应用一些长期存在的图像特征提取技术。
使用特征检测、特征提取和匹配相结合的方法在混乱场景中检测目标(左)。详情见示例。
图像的梯度直方图(HOG)特征提取(上)。通过不同的单元格大小创建不同大小的特征向量来表示图像(下图)。详情见示例。
