在Matlab中用mapminmax（X，0，1）函数归一化数据后，还不如用负数样本跑出来的效果。但是复现的算法是非负矩阵分解，算法本身可以保证分解矩阵为非负，但前提是输入数据样本值全都为正的，如果输入样本存在负值就会导致分解出来的矩阵也存在负值。
该回答引用于gpt与OKX安生共同编写：
如果您的数据中存在负值，可以尝试使用一些预处理方法将其转化为全为正数的形式，例如：
这些方法可以将数据转化为非负的形式，进而适用于非负矩阵分解算法。
在Matlab中，可以使用以下函数实现上述预处理方法：
abs(X)X - min(X(:))log(X)需要根据实际情况选择合适的预处理方法，并结合数据特点进行调整。
基于最新版ChatGPT4的回答，望采纳！！！有其他问题也可以询问我哦💕（最新版更智能，功能更加强大）：
为了预处理存在负值的样本数据，使其能够全都成为正的，你可以使用mapminmax函数将数据归一化到一个固定区间。在Matlab中，你可以使用mapminmax函数将数据归一化到一个指定的范围，如[0,1]。
例如，假设你有一个矩阵X，你可以使用以下方法将数据归一化到[0,1]范围：
X = [4 5 6; 7 8 9];
[Y, PS] = mapminmax(X, 0, 1);
这将使得归一化后的矩阵Y中的每一行数据分别标准化到[0, 1]区间[2]。然而，您提到在您的场景中，使用mapminmax函数归一化数据后，效果不如使用负数样本。这可能是因为归一化的方式不适用于您的数据。
在您的情况下，您需要确保输入数据样本全都为正值。一种可能的解决方案是将输入矩阵中的每个元素加上其绝对值中的最小值，从而使所有元素都为正值。这可以通过以下方法实现：
X = X + abs(min(X(:)));
这将确保输入矩阵中的所有元素都为正值，然后您可以使用非负矩阵分解算法进行进一步处理。请注意，根据您的数据和应用场景，这种方法可能会影响最终结果的解释。因此，在使用这种方法之前，请确保它适用于您的问题。
除了mapminmax方法进行归一化外，您也可以试一下正规化函数normalize(x, mu, sigma) 。如果效果不好，也要考虑数据集中是否有异常值、离散值，采取一些方法处理掉试试。
这可能是因为使用mapminmax函数将数据归一化到0到1之间，可能会使一些负数样本的信息丢失或者失真，从而影响算法的效果。而使用负数样本可能可以更好地反映数据的分布，从而提高算法的准确性。
另外，非负矩阵分解算法确实要求输入数据矩阵的所有元素都为非负数，但是如果输入数据存在负数，可以通过对数据进行平移或者加上一个常数，将所有数据变成非负数，从而满足算法的要求。
以下答案由GPT-3.5大模型与博主波罗歌共同编写：
如果输入样本的值中存在负数，可以考虑使用以下方法进行预处理：
去掉负数样本：将输入样本中的负数数据去掉，只使用非负数的数据来训练模型。
取绝对值：将输入样本中的所有数据取绝对值，这样所有的数据都变成了非负数。
加上一个大的偏移量：将输入样本中的所有数据加上一个较大的偏移量，使得所有的数据都变成了正数。但需要注意的是，偏移量的选取应当足够大，以避免数据本身的差异过大而产生不必要的影响。
归一化：使用归一化方法将数据进行归一化处理，使得所有的数据都在0到1之间。这样就避免了数据之间的差异过大产生过大的影响。
在Matlab中，可以使用以下代码实现数据预处理：
去掉负数样本：
X(X<0) = [];
取绝对值：
X = abs(X);
加上一个大的偏移量：
X = X + 100000;
归一化：
X = mapminmax(X, 0, 1);
其中，mapminmax函数的参数说明为：
mapminmax(X, 0, 1)
X表示输入样本数据，0表示输出数据的最小值，1表示输出数据的最大值。
如果使用非负矩阵分解的算法进行计算，则需要在代码中加入如下判断，确保输出矩阵的元素均为非负数：
W(W<0) = 0;
H(H<0) = 0;
如果我的回答解决了您的问题，请采纳！