样本归一化

train_data和test_data同时，先归一化 再降维

归一化针对相同维度进行，

注意样本不均衡问题

归一化：

属于数据preprocess，比方：奇异样本数据(相对于其他输入样本特别大或特别小的样本矢量)  就需要规一化

1.   mapminmax()

将矩阵的每一行归一到[-1 1].

 [y,ps] = mapminmax(x1)   %y=(ymax-ymin)*(x-xmin)/(xmax-xmin)+ymin;

其中y是对进行某种规范化后得到的数据，这种规范化的映射记录在结构体ps中。

并不是任何问题都需先对原始data归一化。【原始data规范化后，实际意味着你承认了一个假设：test数据集的每一模式的所有特征分量的max(min)不会大于(小于)train数据集的每一模式的所有特征分量的max(min)，但这条假设显然过于牵强。使用平均值方差法也会有同样类似的问题。】

另一种观点：

当需要对另外一组数据做归一时，比如SVM 中的 training data用以上方法归一，而test data就可以用下面的方法做相同的归一了</