Feature Extraction فرایند تبدیل داده خام به مجموعه‌ای از ویژگی‌های معنادارتر و قابل استفاده برای الگوریتم است. برای مثال، در پردازش تصویر می‌توان اطلاعاتی مانند لبه‌ها، بافت یا شکل را به نمایش عددی تبدیل کرد.
استخراج ویژگی با انتخاب ویژگی و کاهش ابعاد یکسان نیست، هرچند ممکن است با آن‌ها هم‌پوشانی داشته باشد. هدف اصلی ساخت نمایشی است که اطلاعات مفید مسئله را بهتر در اختیار مدل قرار دهد.
برای شناسایی اسپم، ویژگی‌هایی مانند تعداد لینک‌ها، طول پیام یا نمایش برداری متن قابل استفاده‌اند. ویژگی نامناسب ممکن است فقط داده تاریخی را توصیف کند و در پیام‌های جدید بی‌فایده باشد.
تفاوت با Feature Selection
استخراج ویژگی می‌تواند داده خام را به نمایش جدیدی مانند ویژگی‌های آماری تصویر تبدیل کند، اما انتخاب ویژگی زیرمجموعه‌ای از فیچرهای موجود را نگه می‌دارد. برای جلوگیری از نشت داده، انتخاب و استخراج وابسته به آموزش باید در هر Fold اعتبارسنجی انجام شود.