完整定義
特徵擷取（Feature Extraction）將高維原始資料（如圖像像素、文字字元）轉換為緊湊的特徵向量，常用方法包括：PCA（主成分分析）、自編碼器（Autoencoder）、CNN 的卷積層特徵提取、詞嵌入（Word Embedding）。與特徵工程（Feature Engineering）的區別：特徵擷取偏重自動化表示學習，特徵工程偏重人工設計特徵。
白話說明
你有沒有想過，原始照片、文字或聲音，怎麼會變成模型看得懂的數字？
你可以把特徵擷取想成自動抓重點，從很大的原始資料裡抽出最有用的表示，讓模型少看雜訊、多看關鍵。
它重要，是因為很多資料太大、太雜、太原始，直接餵給模型會浪費算力，也不一定學得到重點。
記住這句
把原始資料變成好用表示，就是特徵擷取。
容易混淆
特徵擷取 vs 特徵工程
特徵工程偏向人手設計，重點是領域知識。
特徵擷取偏向自動化表示學習，重點是把原始資料壓成有效向量。
特徵擷取 vs 降維
降維是把維度變少。
特徵擷取不只想變少，還要保留對任務有用的資訊。
實際案例
圖片分類
圖片先經過卷積網路，抽出邊緣、紋理、形狀等表示，再交給分類器判斷內容。
文字分析
一段評論先轉成詞向量或句向量，模型不用逐字讀完整篇原文，也能抓到語意重點。
算法與應用
常見做法包括卷積網路的中間層輸出、詞向量、句向量與自編碼器表徵。
它常用在影像、語音、文本和感測資料，目標都是把高維原始資料轉成可學習的特徵表示。
iPAS 考題
Q：特徵擷取的核心目的是什麼？
從原始資料中抽出有意義的表示，降低處理難度並保留關鍵資訊。
Q：特徵擷取和特徵工程可以一起用嗎？
可以，很多實務流程會先自動擷取，再用人工特徵補強。
情境判斷
Q1：把語音檔轉成梅爾頻譜，這算特徵擷取嗎？
算，因為你已經把原始訊號轉成更適合模型使用的表示。
Q2：如果原始資料本來就很小很乾淨，還需要特徵擷取嗎？
看情況，小型結構化資料有時直接用原始欄位就夠，但影像、語音和文字通常還是會受益。
常見問題
不一定，傳統方法也可以做，但深度學習常能學到更強的表示。
會，所以要看任務需要，抽得太狠可能讓關鍵差異消失。
兩者都重要，表示做得好，分類器才有材料可用。
不是完全一樣，嵌入常是特徵表示的一種形式，但特徵擷取涵蓋更廣。
傳統方法會用人工設計的運算子抓特徵，例如邊緣偵測、角點偵測、SIFT、HOG 與色彩直方圖。深度學習則常拿預訓練卷積網路或視覺 Transformer 的中間層輸出當作特徵向量，再交給分類或檢索模型使用。
特徵擷取是把原始資料轉換成新的數值特徵，例如把文字轉成詞頻向量、把影像轉成特徵向量。特徵選擇則是從既有特徵裡挑出有用的子集，不產生新特徵。scikit-learn 官方文件也特別提醒兩者差很多。
出現在這些考古題
官方公告試題的逐題解析裡，有 6 題把特徵擷取列為延伸術語，這裡列出 5 題。
立即測驗
想測試你對 特徵擷取 的掌握程度？用考古題作答
相關術語
來源
這個術語目前沒有標註外部來源。
考試範圍：iPAS AI 應用規劃師評鑑內容範圍參考（115.02 更新），經濟部產業人才能力鑑定，實際考試內容以官方公告為準。
其他格式：Markdown 版本