在简单的数据集上训练 FeatureExtractorFunction：

从新的样例提取特征：

从一个样例列表提取特征：

在图像数据集上训练特征提取程序：

在训练集上使用特征提取程序：

使用 "StandardizedVector" 提取程序方法从数值数据集建立特征提取程序：

在训练集上使用特征提取程序：

属性 "ExtractedFeatures" 可用于一步完成此操作：

可以查询多个属性：

在文本数据上训练特征提取程序：

在新的样例上使用特征提取程序：

在一个 DateObject 列表上训练特征提取程序：

从新的 DateObject 提取特征：

也可以给出字符串日期：

在 Graph 列表上训练特征提取器：

从新图中提取特征：

在 TimeSeries 列表上训练特征提取器：

从新的 TimeSeries 中提取特征：

训练特征提取程序计算文本的词频逆向文件频率向量：

训练集的词频逆向文件频率矩阵可以在 SparseArray 中计算：

可视化矩阵：

"TFIDF" 方法也可以用于标记的数据（名义袋）：

在文本上先后使用 "TFIDF" 方法和 "DimensionReduced" 方法训练特征提取程序：

在训练集上提取特征：

用自定义函数生成特征提取器：

在训练集上应用提取器：

用 "StandardizedVector" 方法把自定义提取器链接起来：

在名义变量上通过 "IndicatorVector" 方法训练特征提取程序：

从新的样例提取特征：

通过 "IndicatorVector" 方法仅对第二个名义变量训练特征提取程序：

第一个名义变量被删除：

使用 Identity 提取程序方法复制第一个变量：

第一个变量被复制：

可以多次复制一个变量：

在混合类型数据集上训练特征提取程序：

从新的样例提取特征：

使用 "TFIDF" 方法在文本和图像上训练特征提取程序：

特征将仅从文本部分提取：

从包含缺失值的数据集训练特征提取程序：

即使是在值丢失的情况下，这个特征提取程序也可以提取特征：

使用 "StandardizedVector" 方法训练特征提取程序：

从新的样例提取特征：

由于此特征提取程序是可逆的，FeatureExtractorFunction 的属性 "OriginalData" 可用于执行逆向提取：

有些特征提取程序只能进行逆向提取的近似：

FeatureExtraction 的属性 "ReconstructedData" 可用于获得提取和重构后的数据：

有些特征提取程序不可逆：

从一个关联列表训练特征提取程序：

从新的样例提取特征：