在進行特征縮放的時候，其一般做法是（X-mu)/sigma
mu：代表均值
sigma：代表標准差
在matlab中，函數mean可以求特征的均值，函數std可以求特征的標准差。
假設訓練集為m，特征數量為n，特征矩陣為X，則X的size為 m*n。
則 mu = mean(X)返回值為一個1*n的向量，向量中每個值對應於每個特征的均值。
則 sigma = std(X) 返回值為一個1*n的向量，向量中每個值對應於每個特征的標准差。
為了進行特征縮放，我們需要使用matlab中另外一個函數repmat。
對於repmat函數，可以理解成Repeat Matrix .
官方幫助文檔為：
Repeat copies of array。
B = repmat(A,n) returns an array containing n copies of A in the row and column dimensions. The size of B is size(A)*n when A is a matrix.
repmat(A, n)表示分別在行和列上對於矩陣A拷貝n分。
例如：
A=
2 3;
3 4
則B = repmat(A, 2);
B =
2 3 2 3
3 4 3 4
2 3 2 3
3 4 3 4
repmat(A, m, n)表示在列方向返回m個A的拷貝，在行方向返回n個A的拷貝。
B = repmat(A, 2, 1)
B =
2 3
3 4
2 3
3 4
對於實現特征縮放，可以使用repmat函數來實現，由以上的計算可知:
X 為 m*n 矩陣
mu 1*n 向量
sigma 1*n向量
為了對X中的每一列向量進行特征縮放，使用以下命令即可
X_norm = (X - repmat(mu,size(X,1),1)) ./ repmat(sigma,size(X,1),1);
即，首先將mu使用premat函數為m*n向量，本質為將m個mu向量，按行疊加成矩陣。
X - repmat(mu, size(X,1), 1)
即為X-mu的特征縮放。
對於(X-mu)/sigma的處理方式一樣。