sklearn logloss参数规范化功能

Question

一个相当简单的问题：参数＆＃34;标准化＆＃34;对于sklearn的log_loss指标吗？

根据documentation：＆＃34; normalize：bool，optional（default = True） 如果为真，则返回每个样本的平均损失。否则，返回每个样本损失的总和。＆＃34;我的理解是，它是否包括N，真是平均，False是和：logloss = -1 / N（每个案例损失的总和） log loss function

如果是这样，优化其中一个并没有什么不同，那么，为什么我们更喜欢一个而不是另一个呢？换句话说，将参数放在什么位置是什么意思？个人偏好？

Answer 1

虽然f（x）和1 / N f（x）的最小化是等价的，但当你处理形式为f（x）+ alpha g（x）与1 / N的函数时，常数的含义会发生变化f（x）+ alpha g（x），当你学习例如正则化逻辑回归时会发生这种情况，因此在第二种情况下，等效的alpha是1 / N *之前的alpha。这里没有“一个选择”，它只取决于应用程序 - 有时意味着更适合（当你需要样本大小不变时），有时候总和。