实验的tricks

1、某个PCA原理中提到：因为在降维映射的过程中，存在映射误差，所有在对高维特征降维之前， 需要做特征归一化（feature normalization）,这个归一化操作包括：（1）feature scaling (让所有的特征拥有相似的尺度， 要不然一个特征特别小， 一个特征特别大会影响降维的效果)（2）zero mean normalization (零均值归一化)。

2、SVMexhibits low sensitivity to high dimensionality and is unlikely to suffer from theHughes phenomenon.

3、注意：Deep Learning学习的高层的抽象复杂的特征一般不会随着大部分局部输入的change而改变

比如说为什么要用深度去提取高光谱数据的特征：

4、

5、对于patch的，这点很重要

6、一般是将样本分为：训练集，验证集，测试集，分别：60%，20%，20%

7、不同方法的比较用来kappa系数

8、Euclidean distance（欧几里得距离）对数据之间相似性测量

9、奇异性问题：

10、关于性能是不是平稳上升还是咋地（小范围波动时肯定的）

11、高光谱图像分类：