大家好，又见面了，我是你们的朋友全栈君。
一、单位化矩阵
输出矩阵Y为单位化矩阵；
方法即是矩阵中所有元素除以该元素所在列向量的二范数
clc;
clear;
X=[790 3977 849 1294 1927 1105 204 1329
768 5037 1135 1330 1925 1459 275 1487
942 2793 820 814 1617 942 155 976
916 2798 901 932 1599 910 182 1135
1006 2864 1052 1005 1618 839 196 1081];
%方法一
[m,n]=size(X);
for i=1:n
A(1,i)=norm(X(:,i));
end
A=repmat(A,m,1);
Y=X./A;
%方法二
[m,n]=size(X);
a=0;
for j=1:n
for i=1:m
a=a+X(i,j)^2;
end
A(1,j)=sqrt(a);
a=0;
end
A=repmat(A,m,1);
Y=X./A
二、矩阵的行向量归一化
将不同样本的同一维度的数据归一化
每一行是一个样本，归一化之后，每个样本的不同features之间具有可比性；
函数：mapminmax
默认规范范围（-1,1）
若想将规范范围划为（0,1），可编写Y=mapminmax(A,0,1);
%%矩阵数据归一化
%归一化作用是处理奇异样本矩阵
%将矩阵数据规范与一个范围之中，使不同维度具有可比性
%1、规范范围划为（-1,1）：
Y=mapminmax(X);
%2、规范范围划为（0,1）：
Y=mapminmax(X,0,1);
三、数据矩阵标准化
标准化的数据均值为0，标准差为1；
标准化函数zscore(x)，就是原数据减去均值，再除以标准差（无偏估计）
%%矩阵数据标准化
clc;
clear;
X=[790 3977 849 1294 1927 1105 204 1329
768 5037 1135 1330 1925 1459 275 1487
942 2793 820 814 1617 942 155 976
916 2798 901 932 1599 910 182 1135
1006 2864 1052 1005 1618 839 196 1081];
Y=zscore(X);
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/152992.html原文链接：https://javaforall.net
![PyCharm激活码永久有效PyCharm2018.3.7激活码教程-持续更新，一步到位[通俗易懂]](https://javaforall.net/wp-content/uploads/2020/11/2020110817443450-480x300.jpg)
