単純なデータ集合についてFeatureExtractorFunctionを訓練する：

新たな例から特徴を抽出する：

例のリストから特徴を抽出する：

画像のデータ集合について特徴抽出器を訓練する：

訓練集合に特徴抽出器を使う：

"StandardizedVector"抽出器法を使って数値データ集合から特徴抽出器を構築する：

特徴抽出器を訓練集合に使う：

特性"ExtractedFeatures"を使うと，この操作を1ステップで行うことができる：

複数の特性について尋ねることができる：

テキストデータで特徴抽出器を訓練する：

特徴抽出器を新しい例に使う：

DateObjectのリストで特徴抽出器を訓練する：

新たなDateObjectから特徴を抽出する：

日付文字列も与えることができる：

特徴抽出器をGraphのリストで訓練する：

新たなグラフから特徴を抽出する：

特徴抽出器をTimeSeriesのリストで訓練する：

新たなTimeSeriesから特徴を抽出する：

特徴抽出器を訓練して，テキストから単語の出現頻度と逆文書頻度のベクトルを計算させる：

訓練集合の単語の出現頻度と逆文書頻度の行列は，SparseArrayで計算することができる：

行列を可視化する：

"TFIDF"法はトークン化されたデータに使うこともできる：

"TFIDF"法を使い次に"DimensionReduced"法を使って，特徴抽出器をテキストについて訓練する：

訓練集合について特徴を抽出する：

カスタム関数を使って訓練抽出器を生成する：

この抽出器を訓練集合に適用する：

"StandardizedVector"メソッドでカスタム抽出器を繋ぐ：

"IndicatorVector"法を使った名義変数についての特徴抽出器：

新たな例から特徴を抽出する：

第2名義変数のみについて，"IndicatorVector"法で特徴抽出器を訓練する：

第1名義変数は除去される：

Identity抽出器法を使って第1変数をコピーする：

第1変数がコピーされた：

変数は複数回コピーすることができる：

ミックスタイプのデータ集合について特徴抽出器を訓練する：

新たな例から特徴を抽出する：

"TFIDF"法を使ってテキストと画像について特徴抽出器を訓練する：

特徴はテキスト部分からしか抽出されない：

欠落値を含むデータ集合から特徴抽出器を訓練する：

この特徴抽出器は，値が欠けていても特徴を抽出することができる：

"StandardizedVector"法を使って特徴抽出器を訓練する：

新たな例から特徴を抽出する：

特徴抽出器は可逆なので，FeatureExtractorFunction特性"OriginalData"を使って逆抽出を行うことができる：

特徴抽出器の中には逆抽出の近似しかできない物もある：

FeatureExtraction特性"ReconstructedData"を使って，抽出と再構築の後でデータを取得することができる：

特徴抽出器の中には不可逆なものもある：

連想のリストから特徴抽出器を訓練する：

新たな例から特徴を抽出する：