关于normalize中的的norm的取值

范数类型

• norm参数表示范数的类型，其中可选的值分别有：
  • l1 L1范数（曼哈顿距离）
  • l2 L2范数 （欧几里得距离，默认值）
  • max $L\infty$ 最大数范式
  • 以下是从normalize函数源码中截取的有关于norm参数部分

 norm : {'l1', 'l2', 'max'}, default='l2'
        The norm to use to normalize each non zero sample (or each non-zero
        feature if axis is 0).

L1范数

• 平面上两点a(x1,y1),b(x2,y2)，它们之间的曼哈顿距离为 $d(a,b)=|x_1-x_2|+|y_1-y_2|$
• L1范数公式
  $$\parallel x{\parallel }_1={\sum }_{i=1}^n\mid x_i\mid$$
• 将每个样本（行/列）的元素的绝对值之和缩放到1

L2范数

• 平面上两点a(x1,y1),b(x2,y2)，它们之间的欧式距离为 $d(a,b)=\sqrt{(x_1-x_2{)}^2+(y_1-y_2{)}^2}$
• 当数据点在同一行或者同一列，那么它们任意两点之间只有一个相同维度的数据会影响到欧式距离
• 公式
  $$\parallel x{\parallel }_2=\sqrt{{\sum }_{i=1}^n{x}_i^2}$$
• 保持向量方向的同时消除幅度差异

max范数

• 公式
  $$\parallel x{\parallel }_{\infty }=max(|x_1|,|x_2|,\cdot \cdot \cdot ,|x_n|)$$
• 将每个样本的最大绝对值元素缩放到1

简单使用

import numpy as np
import sklearn.preprocessing as sp

raw_sample = np.array([
    [30.0, -13.0, 22.0],
    [0.0, 42.0, 43.0],
    [10.0, -243.0, 322.0]
])

print(sp.normalize(raw_sample, norm="l1"))
print(sp.normalize(raw_sample, norm="l2"))
print(sp.normalize(raw_sample, norm="max"))

如有错误请联系作者改正，谢谢！