4.3.3范数规范化

火吻而生

于 2021-09-16 17:50:02 发布

阅读量319

点赞数

分类专栏：机器学习从入门到入职笔记文章标签： python

本文链接：https://blog.csdn.net/qq_43105807/article/details/120334255

版权

机器学习从入门到入职笔记专栏收录该内容

4 篇文章 0 订阅

订阅专栏

本文详细介绍了L0、L1和L2范数的基本概念，并展示了在Python中使用sklearn库进行规范化操作的实例。通过实例演示了如何运用preprocessing模块进行L2和L1规范化，以及类Normalizer的使用。

摘要由CSDN通过智能技术生成

范数基本概念这里不予赘述，L0，L1，L2和无穷范数

范数规范化代码如下

from sklearn import preprocessing
import numpy as np

# 原始数据X
X = np.array([[3, -2., 2.], [2., 0., 0.], [-1, 1., 3.]])  # 按行表示，按列计算
# 范数规范化的函数化实现，其中规范化系数norm为L2,还有其他形式，诸如L1,max
X_norm=preprocessing.normalize(X,norm='l2')
print(u"范数L2规范化变换后的输出：\n")
print(X_norm)

# 范数规范化的类实现，其中规范化系数norm为L1
normalizer=preprocessing.Normalizer(norm='l1').fit(X)
print(u"范数L1规范化变换之后的输出：\n")
print(normalizer.transform(X))

输出结果：

[[ 0.72760688 -0.48507125  0.48507125]
 [ 1.          0.          0.        ]
 [-0.30151134  0.30151134  0.90453403]]
范数L1规范化变换之后的输出：

[[ 0.42857143 -0.28571429  0.28571429]
 [ 1.          0.          0.        ]
 [-0.2         0.2         0.6       ]]