特征选择和特征提取是机器学习中常用的特征工程技术。

特征选择是指从原始特征中选择子集，用于构建模型。它的作用是提高模型的准确性、降低过拟合风险、减少计算成本，并提高模型的解释性。常用的特征选择方法包括过滤法、包装法和嵌入法。

特征提取是通过变换原始特征，创建新的特征集合，用于构建模型。它的作用是减少数据的维度，去除冗余信息，突出数据的内在结构，从而提高模型的泛化能力和鲁棒性。常用的特征提取方法包括主成分分析（PCA）、线性判别分析（LDA）和独立成分分析（ICA）。

在机器学习中，特征选择和特征提取可以帮助提高模型的预测性能、减少过拟合，降低算法的计算开销，提高模型的可解释性，并加快模型训练和测试的速度。