特徴のリストを抽出する：

複数の特徴がある例題リストから抽出する：

混合型のデータ集合から特徴を抽出する：

連想のリストとしてフォーマットされたデータ集合から特徴を抽出する：

特徴のリストとして与えられたデータから特徴を抽出する：

Tabularからの特徴抽出：

Datasetからの特徴抽出：

欠落値があるデータ集合から特徴を抽出する：

訓練を必要としない抽出器を使って単一の例題から特徴を抽出する：

単一のテキストの特徴について，特徴抽出器"SentenceVector"を指定する：

"SentenceVector"法を使って特徴を抽出し，続けて"DimensionReducedVector"法を使って次元削減を行なう：

テキストと画像に対しテキストのみを扱う"TFIDF"法を使って特徴を抽出する：

"TFIDF"は画像には適用されないので，特徴はテキスト部分からしか抽出されなかった．

複数の特徴についての特徴抽出を位置によって指定する：

2番目の名義変数についてのみ，"IndicatorVector"法を使って特徴を抽出する：

Identity抽出器法を使って最初の変数もコピーする：

変数は複数回コピーできる：

複数の特徴についてキーを使って特徴抽出を指定する：

カスタム関数を使って特徴抽出器を生成する：

"StandardizedVector"法とカスタムの抽出器を連結する：

処理前にデータを適合させる：

テキストデータの特徴を抽出する：

テキストからTFIDFベクトルを計算する：

デフォルトで，テキストは単語に分割される．これでも同じ結果が与えられる：

名義変数に"IndicatorVector"法を使って特徴を抽出する：

DateObjectのインスタンスのリストから特徴を抽出する：

Graphのインスタンスのリストで特徴抽出器を訓練する：

TimeSeriesインスタンスのリストで特徴抽出器を訓練する：

Moleculeデータから特徴を抽出する：

Audioインスタンスの集合から特徴を抽出する：

欠落値があるデータ集合から特徴を抽出する：

FeatureNamesを使って特徴に名前を付け，部分指定にその名前を使う：

"IndicatorVector"法で単純なデータ集合から特徴を抽出する：

最初の特徴は数値と解釈される．"IndicatorVector"法は名義的特徴にしか作用しないので，最初の特徴はそのまま返される．

FeatureTypesを使って最初の特徴が名義的であると強制的に解釈させる：

犬の画像のデータ集合を作る：

このデータ集合から特徴を抽出する：

抽出されたベクトルの次元を2に減ずる：

画像をその特徴位置で可視化する：

FeatureSpacePlotを使っても，同じような可視化を直接得ることができる：