正交信号校正
https://wenku.baidu.com/view/f446cf4169eae009581bec54.html
第一步是归一化的问题：https://blog.csdn.net/weixin_40683253/article/details/81508321
这里面的标准化很有价值：https://blog.csdn.net/sinat_29957455/article/details/79490165
https://blog.csdn.net/u012609509/article/details/78554709
标准化比归一化要更加实用，因为像逻辑斯蒂回归和支持向量机算法，
刚开始训练的时候会将参数初始化为0或趋于0的随机极小值，
如果是标准化的数据(均值为0，方差为1)对于它们而言，这更加容易利于权重的更新【为什么？？？】。将特征列标准化的计算公式如下
所给的程序：
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
from sklearn.preprocessing import StandardScaler
if __name__ == "__main__":
# 读取葡萄酒数据集
data = pd.read_csv("G:/dataset/wine.csv")
# 获取第二列Alcohol
x = data["Alcohol"]
std = StandardScaler()
#将x进行标准化
x_std = std.fit_transform(x)
print(x_std)
---------------------
作者：修炼之路
来源：CSDN
原文：https://blog.csdn.net/sinat_29957455/article/details/79490165
版权声明：本文为博主原创文章，转载请附上博文链接！
还有一个说明：
并不是所有的标准化都能给estimator带来好处。
“Standardization of a dataset is a common requirement for many machine learning estimators: they might behave badly if the individual feature do not more or less look like standard normally distributed data (e.g. Gaussian with 0 mean and unit variance).”
---------------------
作者：cltdevelop
来源：CSDN
原文：https://blog.csdn.net/u012609509/article/details/78554709
版权声明：本文为博主原创文章，转载请附上博文链接！
综上也就是说，标准化有利于权重的更新，但是也许会带来更糟的效果，因为如果数据本身不符合正态分布。？？？
这里还是有很多问题需要深究一下的。
标准化和归一化区别：https://www.jb51.net/article/143571.htm
。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。
下一步是Python的pca得到第一个主成分：
https://blog.csdn.net/i_is_a_energy_man/article/details/76599400
。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。
第三步，这里是求正交的。感觉不是很好。
https://blog.csdn.net/qq_41672744/article/details/79157169
生成一个3*3的单位矩阵：
I=np.eye(3,3)
#说明array进行内积以后已经不是array对象，成为ndarray对象，不能再进行.I,.T,.M的操作。#解决方法：把结果转为matrix就可以 【这里的matrix是不是新的数据类型？？？】关于matrix的解释：https://blog.csdn.net/zhihaoma/article/details/51002742
这里矩阵的逆的一个求法：https://www.cnblogs.com/chamie/p/4870078.html
。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。
Python求一个向量的模：https://blog.csdn.net/qq_15505637/article/details/82427116
import numpy as np
x = np.array([1,2,3,4,5])
np.linalg.norm(x)