python sklearn:sklearn.preprocessing.normalize（X，norm='l2'）“和”sklearn.svm.LinearSVC（惩罚=“l2”）

Question

以下是两种规格化方法：

1:这个在数据预处理中使用：sklearn.preprocessing.normalize（X，标准值='l2'）

2:另一种方法是分类法：sklearn.svm.LinearSVC（惩罚=“l2”）

我想知道，他们之间有什么不同？这两个步骤必须在一个完整的模型中使用吗？仅仅使用一种方法就足够了，对吗？在

Answer 1

这两个是不同的东西，你通常都需要它们来制作一个好的SVC模型。在

1）第一个表示为了缩放（规范化）X数据矩阵，需要用每列的L2范数除以，这就是：sqrt(sum(abs(X[:,j]).^2))，其中j是数据矩阵X中的每一列。这样可以确保每个列的值都不会太大，这使得某些算法很难收敛。在

2）不管数据的规模有多大（值有多小），仍然可能有离群值或某些特征（j）太占主导地位，而您的算法（LinearSVC（））可能会过度信任它们，而它不应该信任它们。这就是L2正则化发挥作用的地方，这说明除了函数之外，算法最小化，一个成本将被应用到系数，这样他们不会变得太大。换言之，模型的系数成为SVR成本函数的附加成本。多少钱？{2}由cd2}决定

综上所述，第一个是用哪个值来划分X矩阵的每一列。第二个问题是一个系数应该给成本函数增加多少权重。在