关于处理MSR3D_ActionDataset的一…

今天试着将计算得到的原始特征矩阵进行降维等简单化处理，还是学到蛮多东西的，首先是归一化，因为得到的特征矩阵中，u，v，d三个特征对应的值相差很大，所以要进行归一，说白了还是挺简单的，这里使用的是线性归一：

y=(x-MinValue)/(MaxValue-MinValue)

其中x、y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值。

此外还有很多归一方法，区别只是所用公式有些不同，如：

其中μ为所有样本数据的均值， σ为所有样本数据的标准差。

对数函数转换:y=lg(x)

表示，以10为底的对数函数转换。

还有PCA算法暂时没看完，容后更新

10月8日更新：

之前在线性归一时，发现归一公式只能归到值域[-1,1]，自己这几天尝试了几个公式都效果不理想，刚在网上找到一个新公式感觉挺不错：y = 2 * ( x - min ) / ( max - min ) - 1，这样可以将值域完美地投影到[-1,1]区间。

10月18号更新：

关于PCA，其实弄明白原理之后还是很简单的。首先要明白的是，特征向量的物理含义，这里就膜拜一位大神的博客了：http://blog.sina.com.cn/s/blog_49a1f42e0100fvdu.html

PCA原理在于，将高维的特征向量映射到低维空间，低维空间向量的每一维，都是原高维空间多个维度的合成，因此就有了以一维代替原多维的可能性。

具体步骤网上很多，这里说说matlab的PCA在MSRdataset中的使用。

[pca,~,latent,~] = princomp(temp_eigenjoint);

其中第二个和第四个输出暂时没考虑到怎么用，略过。

这里需要注意的是，PCA的输入数据，即temp_eigenjoint，是不需要进行取均值等操作，直接将线性归一后的数据输入即可。另一方面，因为整体数据集的相关性，因此，按照机器学习的一般过程，直接对train进行PCA操作，然后把得到的降维过后的特征矢量与test矩阵相乘进行降维即可