単一の特徴がある例のリストで特徴抽出器を訓練する：

新たな例から特徴を抽出する：

複数の新たな例から特徴を抽出する：

複数の特徴がある例のリストで特徴抽出器を訓練する：

複数の新たな例から特徴を抽出する：

混合型のデータ集合で特徴抽出器を訓練する：

新たな例から特徴を抽出する：

連想のリストで特徴抽出器を訓練する：

新たな例から特徴を抽出する：

複数の新たな例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で特徴抽出器を訓練する：

Tabularで特徴抽出器を訓練する：

Datasetで特徴抽出器を訓練する：

欠落値があるデータ集合で特徴抽出器を訓練する：

訓練を必要としない特徴抽出器を定義する：

これをテキストに適用する：

単一のテキスト特徴に対して特徴抽出器"SentenceVector"を指定する：

これをテキストに適用する：

"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：

この特徴抽出器は可逆なので，FeatureExtractorFunction特性の"OriginalData"を使って逆抽出が行える：

"TFIDF"法を使い次に"DimensionReducedVector"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：

テキストのみの"TFIDF"法を使って特徴抽出器をテキストと画像で訓練する：

特徴はテキスト部分からしか抽出されない：

複数の特徴の特徴抽出を位置によって指定する：

この特徴抽出器を新たな特徴に使う：

2つの項目のリストは2つの特徴の単一の入力であると見なされる：

2番目の名義変数のみに対して"IndicatorVector"法を使って特徴抽出器を訓練する：

最初の名義変数は除去される：

Identity抽出器法を使って最初の変数をコピーする：

最初の変数がコピーされた：

変数は複数回コピーできる：

キーを使って複数の特徴について特徴抽出器を指定する：

新たな特徴に特徴抽出器を使う：

特徴抽出器をリストに使うと，もともと指定されていたのと同じ順序が仮定される：

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：

処理前にデータを適合させる：

出力の次元性を下げる：

"SentenceVector"抽出器を訓練なしで使って，テキストデータの特徴抽出器を作成する：

入力型は指定された抽出器から推定される．この特徴抽出器を例に対して使う：

暗黙のテキストおよび画像の特徴がある例に対して特徴抽出器を使う：

特徴は両方の部分から抽出される：

テキストデータについて特徴抽出器を訓練する：

"IndicatorVector"法を使った名義変数についての特徴抽出器：

特徴抽出器を訓練して，テキストから用語頻度・逆文書頻度(TF-IDF)ベクトルを計算する：

訓練集合の用語頻度・逆文書頻度行列はSparseArrayで計算できる：

行列を可視化する：

"TFIDF"法はトークン化データ（名義上のバッグ）に使うこともできる：

DateObjectのインスタンスのリストで特徴抽出器を訓練する：

新たなDateObjectのインスタンスから特徴を抽出する：

日付文字列を与えることもできる：

Graphのインスタンスのリストで特徴抽出器を訓練する：

新たなグラフから特徴を抽出する：

TimeSeriesのインスタンスのリストで特徴抽出器を訓練する：

Moleculeデータで特徴抽出器を訓練する：

Audioのインスタンスのリストで特徴抽出器を訓練する：

訓練済みのFeatureExtractorFunctionからInformationを取得する：

使用可能な特性を求める：

入出力の型についての情報を取得する：

特徴抽出器を訓練し，各特徴の名前を与える：

連想形式を使って新たな例から特徴を抽出する：

リスト形式も使うことができる：

FeatureNamesを使って名前を設定し，FeatureExtraction[examples,{spec₁ext₁,…}]でそれを参照する：

名前を使って特徴を指定して，新規例から特徴を抽出する：

"IndicatorVector"法で簡単なデータ集合について特徴抽出器を訓練する：

"IndicatorVector"法は名義的特徴に対してしか動作しないので，最初の特徴は名義的であると想定された．

FeatureTypesを使って最初の特徴が名義的であるという解釈を強制する：

最初の特徴は数値として解釈された．"IndicatorVector"法は名義的特長にしか動作しないので，最初の特徴は変更されない：

訓練なしで特徴抽出器を作ると，特定の特徴器からの期待するデータ型が推測される：

特徴型を指定すると仮定がオーバーライドされる：

名前付きの特徴に適用する：

犬の画像のデータ集合を構築する：

このデータ集合から抽出器関数を訓練する：

このデータ集合の抽出された特徴についてNearestFunctionを生成する：

NearestFunctionを使ってデータ集合の最近画像を描画する関数を構築する：

この関数をデータ集合には含まれない画像に使う：

特徴抽出器関数は似すぎている画像ペアを削除することもできる：

「Alice in Wonderland」（不思議の国のアリス）のテキストをロードする：

テキストを文に分割する：

特徴抽出器をこれらの文について訓練する：

文の特徴を使ってNearestFunctionを生成する：

NearestFunctionを使って「Alice in Wonderland」の最も近い文を表示する関数を構築する：

この関数をいくつかのクエリに使う：

ExampleDataから"MNIST"データ集合をロードし，画像を保存する：

画像を数値データに変換し，データ集合を訓練集合とテスト集合に分ける：

データ集合の大きさは784である：

"MissingImputed"法を使って特徴抽出器を作成する：

テスト集合ベクトルのいくつかの値をMissing[]で置換し，可視化する：

FeatureExtractorFunction[…]を使って欠落値を補完する：

もとの画像，欠落値を含む画像，補完した加増を可視化する：