㈠ 常用的提取方法有哪些
浸漬法：浸漬法是將原料用適當的溶劑在常溫或溫熱條件下浸泡出有效成分的一種方法。具體做法是: 取適量粉碎後的原料，置於加蓋容器中，加入適量的溶劑並密蓋，間斷式攪拌或震搖，浸漬至規定時間使有效成分浸出。取上清夜，過濾，壓榨殘渣，合並濾液和壓榨液， 過濾濃縮至適宜濃度， 可進一步制備流浸膏， 浸膏，片劑，沖劑等。 按提取溫度和浸漬的次數可分為冷浸潰法，熱浸潰法，重浸潰法。
滲漉法：滲漉法是將原料粗粉濕潤膨脹後裝入滲波器內，頂部用紗布覆蓋，壓緊，浸提溶劑連續地從滲漣器的上部加入， 溶劑滲過原料層往下流動過程中將與有效成分浸出的一種辦法。 不斷加入新溶劑， 可以連續收集浸提液， 由於原料不斷與新溶劑或含有低濃度提取物的溶劑接觸， 始終保持一定的濃度差， 浸提效果要比浸潰法高，提取比較完全，但溶劑用量大。滲滾法可分為單滲漉法，重滲漉法，加壓滲漉法，逆滲漉法。
煎煮法：煎煮法是指用水作溶劑，將被提物加熱煮沸一定時間，以提取其所含成分的一種常用方法， 又稱煮提法或煎浸法。 該法是將原料適當的切碎或粉碎成粗粉放入適當容器中，加水浸過原料面，充分浸泡後，加熱煎煮2一3 次，每次l h左右。直火加熱，要不斷攪拌以免焦糊。分離並收集各次煎出液，經離心分離或沉濾過後，濃縮至所需濃度。該法使用於有效成分能溶於水， 對濕，熱均穩定且不易揮發的原料。
迴流提取法： 迴流提取法是用乙醇等易揮發的有機溶劑提取原料成分，將浸出液加熱蒸餾，其中揮發性溶劑餾出後又被冷卻，重復流回浸出容器中浸提原料， 這樣周而復始，直至有效成分迴流提取完全的方法。 迴流法提取液在蒸發鍋中受熱時間較長，故不使用於受熱易破壞的原料成分的浸出。
連續提取法：為了彌補迴流提取法中需要溶劑量大，操作較繁的不足，可採用連續提取法。當提取的有效成分在所選溶劑中不宜溶解時， 若採用迴流提取需提十幾次， 既費時又過多耗費溶劑，在此情況下，可用連續迴流提取法，用較少的溶劑一次提取便可提取完全。
㈡ 為什麼要做特徵選擇，列舉一些常用的特徵選擇方法
特徵提取：是從某些（事物）中提取本質性的功能、應用、優勢等等這類是從特徵中提取出的。 特徵選擇：是從提取中的東西中選擇你所需要的，從這個層面進行闡述就好的很多。 二者是直接關聯的關系。
㈢ 特徵處理有哪些方法
、常用方法
1、時間戳處理
時間戳通常需要分離成多個維度比如年、月、日、小時、分鍾、秒鍾。但在很多的應用中，大量的信息是不需要的，因此我們在呈現時間的時候，試著保證你所提供的所有數據是你的模型所需要的，並且別忘了時區，加入你的數據源來自不同的地理數據源，別忘了利用時區將數據標准化。
2、離散型變數處理
舉一個簡單的例子，由{紅，黃，藍}組成的離散型變數，最常用的方式是吧每個變數值轉換成二元屬性，即從{0，1}取一個值，也就是常說的獨熱編碼(one-hot code)。
3、分箱/分區
有時候，將連續型變數轉換成類別呈現更有意義，同時能夠使演算法減少雜訊的干擾，通過將一定范圍內的數值劃分成確定的塊。舉個例子，我們要預測具有哪些特徵的人會購買我們網店的商品，用戶的年齡是一個連續的變數，我們可以將年齡分為15以下、15-24、25-34、35-44、45及以上。而且，不是將這些類別分成2個點，你可以使用標量值，因為相近的年齡表現出相似的屬性。
只有了解變數的領域知識的基礎，確定屬性能夠劃分成簡潔的范圍時分區才有意義，即所有的數值落入一個分區時能夠呈現出共同的特徵。在實際的運用中，當你不想讓你的模型總是嘗試區分值之間是否太近時，分區能夠避免出現過擬合。例如，如果你感興趣的是將一個城市作為總體，這時你可以將所有落入該城市的維度整合成一個整體。分箱也能減小小錯誤的影響，通過將一個給定值劃入到最近的塊中。如果劃分范圍的數量和所有可能值相近，或對你來說准確率很重要的話，此時分箱就不合適了。
4、交叉特徵
交叉特徵算是特徵工程中非常重要的方法之一，它將兩個或更多的類別屬性組合成一個。當組合的特徵要比單個特徵更好時，這是一項非常有用的技術。數學上來說，是對類別特徵的所有值進行交叉相乘。
假如擁有一個特徵A,A有兩個可能值{A1，A2}。擁有一個特徵B，存在{B1，B2}等可能值。然後，A&B之間的交叉特徵如下：{（A1，B1），（A1，B2），（A2，B1），（A2，B2）}，並且你可以給這些組合特徵取任何名字。但是需要明白每個組合特徵其實代表著A和B各自信息協同作用。
5、特徵選擇
為了得到更好的模型，使用某些演算法自動的選出原始特徵的子集。這個過程，你不會構建或修改你擁有的特徵，但是會通過修建特徵來達到減少雜訊和冗餘。
特徵選擇演算法可能會用到評分方法來排名和選擇特徵，比如相關性或其他確定特徵重要性的方法，更進一步的方法可能需要通過試錯，來搜素出特徵子集。
還有通過構建輔助模型的方法，逐步回歸就是模型構造過程中自動執行特徵選擇演算法的一個實例，還有像Lasso回歸和嶺回歸等正則化方法也被歸入到特徵選擇，通過加入額外的約束或者懲罰項加到已有模型(損失函數)上，以防止過擬合並提高泛化能力。
6、特徵縮放
有時候，你可能會注意到某些特徵比其他特徵擁有高得多的跨度值。舉個例子，將一個人的收入和他的年齡進行比較，更具體的例子，如某些模型(像嶺回歸)要求你必須將特徵值縮放到相同的范圍值內。通過特徵縮放可以避免某些特徵獲得大小非常懸殊的權重值。
7、特徵提取
特徵提取涉及到從原始屬性中自動生成一些新的特徵集的一系列演算法，降維演算法就屬於這一類。特徵提取是一個自動將觀測值降維到一個足夠建模的小數據集的過程。
㈣ 綜述常用的提取方法及其優缺點
1、超高壓提取法屬於非加熱處理加工法，可以克服傳統的加熱處理方法提取出的活性物質活性低下的缺點。
優點：壓力迅速、均勻作用到要提取的素材，可以開發出與熱處理方式不同物性的成分，具有與熱處理同樣高的提取效率。
缺點：設備投資高昂，難以分解殘留的農葯，不同素材的壓強研究進展緩慢。
2、超聲波提取法是利用多種不同的超聲波，引起分子振動的技術。相比傳統的熱水提取法，超聲波提取法不會造成有效成分的破壞、損失較少，同時，通過Cabitation過程可以穩定地提取有效成分。
優點：反應速度非常快，破壞植物組織很容易，可短期內提取出所需物質最大限度維持活性物質的功效，沒有殘留物。
缺點：只有對物理上穩定的素材才適用，活性物質容易被破壞，需要大量提取時效率低下。
分離提取的應用：
一，料液各組分的沸點相近，甚至形成共沸物，為精餾所不易奏效的場合，如石油餾分中烷烴與芳烴的分離，煤焦油的脫酚；
二，低濃度高沸組分的分離，用精餾能耗很大，如稀醋酸的脫水；
三，多種離子的分離，如礦物浸取液的分離和凈制，若加入化學品作分部沉澱，不但分離質量差，又有過濾操作，損耗也大；
四，不穩定物質（如熱敏性物質）的分離，如從發酵液製取青黴素。
㈤ 數據特徵提取方法有哪些
動機
特徵工程通常被稱為創建性能更好的機器學習模型的秘密武器。只要有一個出色的特徵就可能是你贏得Kaggle挑戰的門票！特徵工程的重要性對於非結構化的文本數據更為重要，因為我們需要將自由流動的文本轉換成一些數字表示形式，然後機器學習演算法就可以理解這些數字表示形式。即使出現了自動化的特徵工程，在將不同的特徵工程策略應用為黑盒模型之前，你仍然需要理解它們背後的核心概念。永遠記住，「如果給你一盒工具來修理房子，你應該知道什麼時候使用電鑽，什麼時候使用錘子！」
理解文本數據
我相信你們所有人都對這個場景中包含的文本數據有一個合理的概念。請記住，文本數據總是可以以結構化數據屬性的形式存在，但通常這屬於結構化分類數據的范疇。
在這個場景中，我們討論的是單詞、短語、句子和整個文檔形式的自由流動文本。本質上，我們有一些句法結構，比如單片語成短語，短語組成句子，句子又組成段落。然而，文本文檔沒有固有的結構，因為可以有各種各樣的單詞，這些單詞在不同的文檔中會有所不同，而且與結構化數據集中固定數量的數據維度相比，每個句子的長度也是可變的。
㈥ 什麼是特徵提取有什麼意義
特徵提取，定義有二了：
對某一模式的；組測量值進行變換，以突出該模式具有代表性特徵的一種方法。通過影像分析和變換，以提取所需特徵的方法。
㈦ 集和幾種常用的特徵提取方法，常用的分類演算法
競爭性自適應重加權演算法（CARS）是通過自適應重加權采樣（ARS）技術選擇出PLS模型中回歸系數絕對值大的波長點，去掉權重小的波長點，利用交互驗證選出RMSECV指最低的子集，可有效尋出最優變數組合。
㈧ 基於統計的特徵詞提取方法有哪些，請寫出至少2種
統計總體是根據統計任務的要求，由客觀存在的，在同一性質基礎上結合起來的許多個別事物的集合。它有以下幾個特點： 第一，統計總體是根據統計任務的要求確定的； 第二，統計總體是客觀存在的；
㈨ 被布置了寫一篇論文，題目是模式識別中的常用的特徵提取方法，求高人幫忙
模式識別中的常用的特徵提取方法
聯系歐文給你
㈩ 特徵提取演算法有哪些
圖像的特徵可分為兩個層次，包括低層視覺特徵，和高級語義特徵。低層視覺特徵包括紋理、顏色、形狀三方面。語義特徵是事物與事物之間的關系。紋理特徵提取演算法有：灰度共生矩陣法，傅里葉功率譜法顏色特徵提取演算法有：直方圖法，累計直方圖法，顏色聚類法等等。形狀特徵提取演算法有：空間矩特徵等等高級語義提取：語義網路、數理邏輯、框架等方法