Saya pikir mereka adalah 2 hal yang berbeda,
Mari kita mulai dengan Pemilihan Fitur :
Teknik ini digunakan untuk memilih fitur yang menjelaskan sebagian besar variabel target (memiliki korelasi dengan variabel target). Tes ini dijalankan tepat sebelum model diterapkan pada data.
Untuk menjelaskannya dengan lebih baik, mari kita ambil contoh: ada 10 fitur dan 1 variabel target, 9 fitur menjelaskan 90% dari variabel target dan 10 fitur bersama-sama menjelaskan 91% dari variabel target. Jadi variabel 1 tidak membuat banyak perbedaan sehingga Anda cenderung untuk menghapus itu sebelum pemodelan (Ini subjektif untuk bisnis juga). Saya juga bisa disebut sebagai Predictor Pentingnya.
Sekarang mari kita bicara tentang Ekstraksi Fitur ,
Yang digunakan dalam Unsupervised Learning, ekstraksi kontur dalam gambar, ekstraksi Bi-gram dari teks, ekstraksi fonem dari rekaman teks yang diucapkan. Ketika Anda tidak tahu apa-apa tentang data seperti tidak ada kamus data, terlalu banyak fitur yang berarti data tidak dalam format yang dapat dimengerti. Kemudian Anda mencoba menerapkan teknik ini untuk mendapatkan beberapa fitur yang menjelaskan sebagian besar data. Ekstraksi fitur melibatkan transformasi fitur, yang sering kali tidak dapat dibalik karena beberapa informasi hilang dalam proses pengurangan dimensi.
Anda dapat menerapkan Ekstraksi Fitur pada data yang diberikan untuk mengekstrak fitur dan kemudian menerapkan Pemilihan Fitur sehubungan dengan Variabel Target untuk memilih subset yang dapat membantu dalam membuat model yang baik dengan hasil yang baik.
Anda dapat melihat Link-1 ini , Link-2 untuk pemahaman yang lebih baik.
kita dapat mengimplementasikannya dalam R, Python, SPSS.
beri tahu saya jika perlu klarifikasi lagi.