“规格化”和“规格化”之间的特征比例差异

Question

有人可以像

一样使用规范化与规范化来帮助我解决功能缩放方面的差异

• preprocessing.normalize（）与preprocessing.Normalizer（）。

Answer 1

就其对数据的影响而言，它们是等效的。 normalize函数旨在成为“快速而简单”的选项，以规范化单个矢量/矩阵。 Normalizer是所谓的“实用程序类”。它只是在Sklearn的normalize API中包装了Transformer函数。如documentation中所述，这使得Normalizer类非常适合在Sklearn的Pipeline class中使用。

** 更新以提供更多详细信息 **

规范化器

normalize和Normalizer的功能是相同的。即给定相同的数据和参数，它们将分别返回输入矩阵的L1或L2范数。

有关详细信息，请参见sklearn.preprocessing.normalizer documentation。

变形金刚

Normalizer是 transformer 的示例。变压器可以以多种方式处理数据。他们在sklearn中的共同点是拥有fit，transform和fit_transform方法。

有关更多详细信息，请参见数据转换器documentation。

管道

sklearn.pipeline.Pipeline是用于“链接”数据转换（归一化，缩放，过滤等）和估计器的类。当使用交叉验证来优化预处理转换和估计器中的不同参数时，能够做到这一点很有帮助。

由于sklearn.pipeline.Pipeline的工作方式，它要求组成函数使用transformer API。即具有fit，transform和fit_transform方法。

有关详细信息，请参见sklearn.pipeline.Pipline documentation。

Normalize和Normalizer

Normalize没有fit，transform和fit_transform方法。因此，尽管它适合“独立”使用，但不能用作Pipeline的一部分。 Normalizer被包裹在sklearn的Transformer API中，以提供Transformer方法。

因此，Normalizer允许normalize函数与fit，transform和fit_transform方法一起使用，从而可以将其用作Pipeline的一部分。

注释

1. 因为规范化数据时没有合适的模型（从技术上讲，normalize除了配置参数（例如，要在哪个轴上进行规范以及要使用哪种类型的规范化）之外，无状态 ），它仅需要transform方法。因此，fit返回的输入内容未经修改，fit_transform的行为与transform相同。
2. Transformer可以使用normalize API的其他原因，但最常见的是将其用作Pipeline的一部分。