原文：https://blog.csdn.net/ckzhb/article/details/72871140
一、基本使用方法
[y，PS]=mapminmax(x，ymin，ymax ) %如果在此处未指定ymin，ymax，则ymin的默认值为-1，ymax的默认值为1。
mapminmax(data )的默认规范化范围为[-1，1 ]，规范每一行。一定记住是对行进行归一化！！！
二、正规化的讨论
参考： http://www.ilovematlab.cn/thread-63766-1-1.html
[train_scale，test_scale，PS]=scaleforsvm(train_data，test_data，ymin，ymax ) ]
输入：
train_data :训练集
test_data :测试集
ymin )规范化范围下限(可以不输入，默认值为0 ) ) )。
ymax )规范化范围上限(可以不输入，默认值为1 ) ) )。
输出：
train_scale :规范化训练集
test_scale :规范化测试集
ps :正规化地图
测试代码：
train_data=[1 12； 3 ) 4； 7]
test_data=[9 10； 6(2) )。
[train_scale，test_scale，PS]=scaleforsvm(train_data，test_data，0，1 ) ]
执行结果：
train _ data=1123478 test _ data=91062 train _ scale=0. 0000.2500.2000.7500.6000 test _ scale=1. 0000.80000 xmin : [2x1 double ] xrange : [2x1 double ] y rows 33602 ymin : y range 3360 3358 www.Sina.com/http://www.Sina
)1)是按样本规范化(按行规范化)还是按维规范化？
)2)是将训练集和测试集分别规范化，还是一起排大队一起规范化？
上面我个人的理解和解决办法是：
(1)按维度规范化
原因：由于每个示例的维各不相同，因此每个示例的维都是规范化的，如果维位数相差很大，则示例中的低位属性为0，导致原始信息丢失太多。 例如：
sample=
1 2 0.5 100000
5 7 0.4 200000
如果对每个采样按行规范化[ 0，1 ]，则结果为sample_scale=
0.0000 0.0000 0 1.0000
0.0000 0.0000 0 1.0000
通过位数的差异，可以看到每个样本的前三维数据被归一化为0。 这实际上不合理，原始数据的信息丢失太多了。 但是，如果按一维进行规范化，则对于同一维，维级别相同，因此在大范围内不会发生这种情况。 如果对每个一维执行[ 0，1 ]规范化(按列规范化)，则结果如下：
sample_scale=
0 0 1 0
1 1 0 1
)2)训练集和测试集放在一起，一起规范化。
理由：使用测试代码示例
train_data=
1 12
3 4
7 8
test_data=
9 10
6 2
将训练集逐维归一化，记录该归一化图，如果有测试集，则使用该归一化图对测试集进行归一化，则归一化训练集时在第一维归一化图上记录的最大值为7， 虽然假设所有数据的第一维最大值都不能超过7，但是带来新的测试集时的第一维值不一定需要大于7，测试数据中测试集的第一维值被认为不大于7，即分别规范化但一旦采用了，这个步骤就十分重要，因为这是使用
问题1 :
在智能算法程序的实现中，原始数据需要每个属性(维度规范化)。 也就是说，数据集data中的行必须表示属性，列必须表示示例数据的数量。 另一方面，由于数据读取函数textread、xlsread基于数据集逐列读取，因此规范化时需要注意是否需要倒排。
问题2 :
一般格式：
[inputtrain，setting]=mapminmax(input_train ' )；
inputtest=mapminmax('apply '，input_test '，setting )；
这些命令意味着根据input_train的规范化规则对Input_text进行规范化。 但是，input_test中的数据必须介于inout_train数据的最小值和最大值之间
两个观点：
一是数据集和测试集合并规范化； 另一件事是你不用在意测试集的最大值。 实际上测试数据本身不确定，正好可以检测模型的诊断/预测能力。 个人倾向于后者。 具体情况还要具体应对
note:
在BP神经网络中，newff函数使用的m行数据n列中，行表示数据属性值，而列表示数据样本的数量。
在libSVM中，用于每个函数的矩阵m行n列例如为880X6，其中行指示数据样本的数量，而列指示数据的属性值。 两者正好相反。
-----------------