㈠ 常用的提取方法有哪些
浸渍法：浸渍法是将原料用适当的溶剂在常温或温热条件下浸泡出有效成分的一种方法。具体做法是: 取适量粉碎后的原料，置于加盖容器中，加入适量的溶剂并密盖，间断式搅拌或震摇，浸渍至规定时间使有效成分浸出。取上清夜，过滤，压榨残渣，合并滤液和压榨液， 过滤浓缩至适宜浓度， 可进一步制备流浸膏， 浸膏，片剂，冲剂等。 按提取温度和浸渍的次数可分为冷浸溃法，热浸溃法，重浸溃法。
渗漉法：渗漉法是将原料粗粉湿润膨胀后装入渗波器内，顶部用纱布覆盖，压紧，浸提溶剂连续地从渗涟器的上部加入， 溶剂渗过原料层往下流动过程中将与有效成分浸出的一种办法。 不断加入新溶剂， 可以连续收集浸提液， 由于原料不断与新溶剂或含有低浓度提取物的溶剂接触， 始终保持一定的浓度差， 浸提效果要比浸溃法高，提取比较完全，但溶剂用量大。渗滚法可分为单渗漉法，重渗漉法，加压渗漉法，逆渗漉法。
煎煮法：煎煮法是指用水作溶剂，将被提物加热煮沸一定时间，以提取其所含成分的一种常用方法， 又称煮提法或煎浸法。 该法是将原料适当的切碎或粉碎成粗粉放入适当容器中，加水浸过原料面，充分浸泡后，加热煎煮2一3 次，每次l h左右。直火加热，要不断搅拌以免焦糊。分离并收集各次煎出液，经离心分离或沉滤过后，浓缩至所需浓度。该法使用于有效成分能溶于水， 对湿，热均稳定且不易挥发的原料。
回流提取法： 回流提取法是用乙醇等易挥发的有机溶剂提取原料成分，将浸出液加热蒸馏，其中挥发性溶剂馏出后又被冷却，重复流回浸出容器中浸提原料， 这样周而复始，直至有效成分回流提取完全的方法。 回流法提取液在蒸发锅中受热时间较长，故不使用于受热易破坏的原料成分的浸出。
连续提取法：为了弥补回流提取法中需要溶剂量大，操作较繁的不足，可采用连续提取法。当提取的有效成分在所选溶剂中不宜溶解时， 若采用回流提取需提十几次， 既费时又过多耗费溶剂，在此情况下，可用连续回流提取法，用较少的溶剂一次提取便可提取完全。
㈡ 为什么要做特征选择，列举一些常用的特征选择方法
特征提取：是从某些（事物）中提取本质性的功能、应用、优势等等这类是从特征中提取出的。 特征选择：是从提取中的东西中选择你所需要的，从这个层面进行阐述就好的很多。 二者是直接关联的关系。
㈢ 特征处理有哪些方法
、常用方法
1、时间戳处理
时间戳通常需要分离成多个维度比如年、月、日、小时、分钟、秒钟。但在很多的应用中，大量的信息是不需要的，因此我们在呈现时间的时候，试着保证你所提供的所有数据是你的模型所需要的，并且别忘了时区，加入你的数据源来自不同的地理数据源，别忘了利用时区将数据标准化。
2、离散型变量处理
举一个简单的例子，由{红，黄，蓝}组成的离散型变量，最常用的方式是吧每个变量值转换成二元属性，即从{0，1}取一个值，也就是常说的独热编码(one-hot code)。
3、分箱/分区
有时候，将连续型变量转换成类别呈现更有意义，同时能够使算法减少噪声的干扰，通过将一定范围内的数值划分成确定的块。举个例子，我们要预测具有哪些特征的人会购买我们网店的商品，用户的年龄是一个连续的变量，我们可以将年龄分为15以下、15-24、25-34、35-44、45及以上。而且，不是将这些类别分成2个点，你可以使用标量值，因为相近的年龄表现出相似的属性。
只有了解变量的领域知识的基础，确定属性能够划分成简洁的范围时分区才有意义，即所有的数值落入一个分区时能够呈现出共同的特征。在实际的运用中，当你不想让你的模型总是尝试区分值之间是否太近时，分区能够避免出现过拟合。例如，如果你感兴趣的是将一个城市作为总体，这时你可以将所有落入该城市的维度整合成一个整体。分箱也能减小小错误的影响，通过将一个给定值划入到最近的块中。如果划分范围的数量和所有可能值相近，或对你来说准确率很重要的话，此时分箱就不合适了。
4、交叉特征
交叉特征算是特征工程中非常重要的方法之一，它将两个或更多的类别属性组合成一个。当组合的特征要比单个特征更好时，这是一项非常有用的技术。数学上来说，是对类别特征的所有值进行交叉相乘。
假如拥有一个特征A,A有两个可能值{A1，A2}。拥有一个特征B，存在{B1，B2}等可能值。然后，A&B之间的交叉特征如下：{（A1，B1），（A1，B2），（A2，B1），（A2，B2）}，并且你可以给这些组合特征取任何名字。但是需要明白每个组合特征其实代表着A和B各自信息协同作用。
5、特征选择
为了得到更好的模型，使用某些算法自动的选出原始特征的子集。这个过程，你不会构建或修改你拥有的特征，但是会通过修建特征来达到减少噪声和冗余。
特征选择算法可能会用到评分方法来排名和选择特征，比如相关性或其他确定特征重要性的方法，更进一步的方法可能需要通过试错，来搜素出特征子集。
还有通过构建辅助模型的方法，逐步回归就是模型构造过程中自动执行特征选择算法的一个实例，还有像Lasso回归和岭回归等正则化方法也被归入到特征选择，通过加入额外的约束或者惩罚项加到已有模型(损失函数)上，以防止过拟合并提高泛化能力。
6、特征缩放
有时候，你可能会注意到某些特征比其他特征拥有高得多的跨度值。举个例子，将一个人的收入和他的年龄进行比较，更具体的例子，如某些模型(像岭回归)要求你必须将特征值缩放到相同的范围值内。通过特征缩放可以避免某些特征获得大小非常悬殊的权重值。
7、特征提取
特征提取涉及到从原始属性中自动生成一些新的特征集的一系列算法，降维算法就属于这一类。特征提取是一个自动将观测值降维到一个足够建模的小数据集的过程。
㈣ 综述常用的提取方法及其优缺点
1、超高压提取法属于非加热处理加工法，可以克服传统的加热处理方法提取出的活性物质活性低下的缺点。
优点：压力迅速、均匀作用到要提取的素材，可以开发出与热处理方式不同物性的成分，具有与热处理同样高的提取效率。
缺点：设备投资高昂，难以分解残留的农药，不同素材的压强研究进展缓慢。
2、超声波提取法是利用多种不同的超声波，引起分子振动的技术。相比传统的热水提取法，超声波提取法不会造成有效成分的破坏、损失较少，同时，通过Cabitation过程可以稳定地提取有效成分。
优点：反应速度非常快，破坏植物组织很容易，可短期内提取出所需物质最大限度维持活性物质的功效，没有残留物。
缺点：只有对物理上稳定的素材才适用，活性物质容易被破坏，需要大量提取时效率低下。
分离提取的应用：
一，料液各组分的沸点相近，甚至形成共沸物，为精馏所不易奏效的场合，如石油馏分中烷烃与芳烃的分离，煤焦油的脱酚；
二，低浓度高沸组分的分离，用精馏能耗很大，如稀醋酸的脱水；
三，多种离子的分离，如矿物浸取液的分离和净制，若加入化学品作分部沉淀，不但分离质量差，又有过滤操作，损耗也大；
四，不稳定物质（如热敏性物质）的分离，如从发酵液制取青霉素。
㈤ 数据特征提取方法有哪些
动机
特征工程通常被称为创建性能更好的机器学习模型的秘密武器。只要有一个出色的特征就可能是你赢得Kaggle挑战的门票！特征工程的重要性对于非结构化的文本数据更为重要，因为我们需要将自由流动的文本转换成一些数字表示形式，然后机器学习算法就可以理解这些数字表示形式。即使出现了自动化的特征工程，在将不同的特征工程策略应用为黑盒模型之前，你仍然需要理解它们背后的核心概念。永远记住，“如果给你一盒工具来修理房子，你应该知道什么时候使用电钻，什么时候使用锤子！”
理解文本数据
我相信你们所有人都对这个场景中包含的文本数据有一个合理的概念。请记住，文本数据总是可以以结构化数据属性的形式存在，但通常这属于结构化分类数据的范畴。
在这个场景中，我们讨论的是单词、短语、句子和整个文档形式的自由流动文本。本质上，我们有一些句法结构，比如单词组成短语，短语组成句子，句子又组成段落。然而，文本文档没有固有的结构，因为可以有各种各样的单词，这些单词在不同的文档中会有所不同，而且与结构化数据集中固定数量的数据维度相比，每个句子的长度也是可变的。
㈥ 什么是特征提取有什么意义
特征提取，定义有二了：
对某一模式的；组测量值进行变换，以突出该模式具有代表性特征的一种方法。通过影像分析和变换，以提取所需特征的方法。
㈦ 集和几种常用的特征提取方法，常用的分类算法
竞争性自适应重加权算法（CARS）是通过自适应重加权采样（ARS）技术选择出PLS模型中回归系数绝对值大的波长点，去掉权重小的波长点，利用交互验证选出RMSECV指最低的子集，可有效寻出最优变量组合。
㈧ 基于统计的特征词提取方法有哪些，请写出至少2种
统计总体是根据统计任务的要求，由客观存在的，在同一性质基础上结合起来的许多个别事物的集合。它有以下几个特点： 第一，统计总体是根据统计任务的要求确定的； 第二，统计总体是客观存在的；
㈨ 被布置了写一篇论文，题目是模式识别中的常用的特征提取方法，求高人帮忙
模式识别中的常用的特征提取方法
联系欧文给你
㈩ 特征提取算法有哪些
图像的特征可分为两个层次，包括低层视觉特征，和高级语义特征。低层视觉特征包括纹理、颜色、形状三方面。语义特征是事物与事物之间的关系。纹理特征提取算法有：灰度共生矩阵法，傅里叶功率谱法颜色特征提取算法有：直方图法，累计直方图法，颜色聚类法等等。形状特征提取算法有：空间矩特征等等高级语义提取：语义网络、数理逻辑、框架等方法