sklearn.preprocessing.normalize()

chen_zn952024-05-15 12:17

sklearn.preprocessing.normalize()是Scikit-learn库中的一个函数，用于对特征向量进行归一化处理。归一化的目的是将每个样本的特征向量缩放到单位范数（即长度为1）。

normalize函数的主要参数包括：

X：要归一化的数组或稀疏矩阵，形状为 $n_samples, n_features$
norm：指定要使用的范数类型，可以是l1、l2或max
- l1范数：将每个样本的特征向量的绝对值之和归一化为1
- l2范数：将每个样本的特征向量的欧几里得长度归一化为1（默认）
- max范数：将每个样本的特征向量的最大绝对值归一化为1

以下是一个简单的代码示例，

复制代码

import numpy as np
from sklearn.preprocessing import normalize

# 示例数据
X = np.array([[1, 2, 3],
              [4, 5, 6],
              [7, 8, 9]])

# 使用 l2 范数进行归一化
X_normalized_l2 = normalize(X, norm='l2')

# 使用 l1 范数进行归一化
X_normalized_l1 = normalize(X, norm='l1')

# 使用 max 范数进行归一化
X_normalized_max = normalize(X, norm='max')

print("Original Data:\n", X)
print("\nL2 Normalized Data:\n", X_normalized_l2)
print("\nL1 Normalized Data:\n", X_normalized_l1)
print("\nMax Normalized Data:\n", X_normalized_max)

输出结果如下，

复制代码

Original Data:
 [[1 2 3]
  [4 5 6]
  [7 8 9]]

L2 Normalized Data:
 [[0.26726124 0.53452248 0.80178373]
  [0.45584231 0.56980288 0.68376346]
  [0.50257071 0.57436653 0.64616234]]

L1 Normalized Data:
 [[0.16666667 0.33333333 0.5       ]
  [0.26666667 0.33333333 0.4       ]
  [0.29166667 0.33333333 0.375     ]]

Max Normalized Data:
 [[0.33333333 0.66666667 1.        ]
  [0.66666667 0.83333333 1.        ]
  [0.77777778 0.88888889 1.        ]]

以下是安装指令，

复制代码

pip install scikit-learn
conda install scikit-learn