解释如何使用python中的scikit-learn库实现L2规范化？

将值范围转换为标准值范围的过程称为标准化。这些值可以在-1到+1或0到1之间。数据也可以借助减法和除法进行归一化。

让我们了解L2归一化的工作原理。它也被称为“最小正方形”。此归一化修改数据的方式是，每行数据的平方和保持为1。

让我们看看如何使用Scikit learning在Python中实现L2标准化-

示例

import numpy as np
from sklearn import preprocessing
input_data = np.array(
   [[34.78, 31.9, -65.5],[-16.5, 2.45, -83.5],[0.5, -87.98, 45.62],[5.9, 2.38, -55.82]]
)
normalized_data_l2 = preprocessing.normalize(input_data, norm='l2')
print("\nL2标准化数据是 \n", normalized_data_l2)

输出结果

L2标准化数据是
[[ 0.43081298 0.39513899 -0.81133554]
[-0.19377596 0.02877279 -0.98062378]
[ 0.00504512 -0.88774018 0.4603172 ]
[ 0.10501701 0.04236279 -0.99356772]]

说明

• 所需的包已导入。

• 输入数据是使用Numpy库生成的。

• “preprocessing”类中的“normalize”函数用于规范化数据，使每行中值的平方和为1。

• 规范化的类型指定为“ l2”。

• 这样，数组中的任何数据都会被规范化，每一行的平方和将只为1。

• 此标准化数据显示在控制台上。