机器学习 中的 L2归一化函数

可以将其定义为规范化技术，该技术以以下方式修改数据集值:在每一行中，平方和总等于1。这也称为最小平方。

在此示例中，无涯教程使用L2归一化技术对之前使用的Pima Indians Diabetes数据集的数据进行归一化。首先，将加载CSV数据(如前几章所述)，然后在 Normalizer 类的帮助下将其标准化。

以下脚本的前几行与在上一章中编写CSV数据时写的相同。

from pandas import read_csv
from numpy import set_printoptions
from sklearn.preprocessing import Normalizer
path=r'C:\pima-indians-diabetes.csv'
names=['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
dataframe=read_csv (path, names=names)
array=dataframe.values

现在，可以对L1使用Normalizer类来对数据进行归一化。

Data_normalizer=Normalizer(norm='l2').fit(array)
Data_normalized=Data_normalizer.transform(array)

无涯教程还可以根据选择汇总输出数据。在这里将精度设置为2，并在输出中显示前3行。

链接：https://www.learnfk.comhttps://www.learnfk.com/python-machine-learning/machine-learning-with-python-ltwo-normalization.html

来源：LearnFk无涯教程网

set_printoptions(precision=2)
print ("\nNormalized data:\n", Data_normalized [0:3])

运行上面代码输出

Normalized data:
[[0.03 0.83 0.4  0.2  0. 0.19 0. 0.28 0.01]
[0.01  0.72 0.56 0.24 0. 0.22 0. 0.26 0. ]
[0.04  0.92 0.32 0.   0. 0.12 0. 0.16 0.01]]