python sklearn：＆＃34; sklearn.preprocessing.normalize（X，norm =＆＃39; l2＆＃39;）＆＃34;之间有什么不同？和＆＃34; sklearn.svm.LinearSVC（惩罚=＆＃39; l2＆＃39;）＆＃34;

Question

这是两种规范化方法：

1：这个在数据预处理中使用：sklearn.preprocessing.normalize（X，norm =＆＃39; l2＆＃39;）

2：另一种方法是在分类方法中使用：sklearn.svm.LinearSVC（惩罚=＆＃39; l2＆＃39;）

我想知道，他们之间有什么不同？并且必须在完全模型中使用这两个步骤吗？只使用一种方法就足够了吗？

Answer 1

这两个是不同的东西，你通常需要它们才能建立一个好的SVC模型。

1）第一个意味着为了缩放（规范化）X数据矩阵，你需要除以每列的L2范数，这就是：sqrt(sum(abs(X[:,j]).^2))，其中j是每列的你的数据矩阵X.这可以确保每列的值都不会变得太大，这使得某些算法难以收敛。

2）无论数据的缩放程度（以及数值较小）如何，仍然可能存在异常值或某些特征（j）太占优势且您的算法（LinearSVC（））可能过分信任他们，而不应该相信他们。这就是 L2正则化发挥作用的地方，即除了算法最小化的功能之外，成本将应用于系数，以使它们不会变得太大。换句话说，模型的系数成为SVR成本函数的额外成本。多少费用 ？由C（L2）值决定为C*(beta[j])^2

总而言之，第一个告诉用哪个值来划分X矩阵的每一列。第二个是成本函数的系数负担应该是多少。