Giải thích cách Chuẩn hóa L2 có thể được triển khai bằng cách sử dụng thư viện scikit-learning trong Python?

Quá trình chuyển đổi phạm vi giá trị thành phạm vi giá trị được tiêu chuẩn hóa được gọi là quá trình chuẩn hóa. Các giá trị này có thể nằm trong khoảng từ -1 đến +1 hoặc 0 đến 1. Dữ liệu cũng có thể được chuẩn hóa với sự trợ giúp của phép trừ và phép chia.

Hãy để chúng tôi hiểu cách chuẩn hóa L2 hoạt động. Nó còn được gọi là 'Least Squares'. Quá trình chuẩn hóa này sửa đổi dữ liệu theo cách mà tổng các bình phương của dữ liệu vẫn là 1 trong mọi hàng.

Hãy để chúng tôi xem cách chuẩn hóa L2 có thể được triển khai bằng cách sử dụng Scikit learning trong Python -

Ví dụ

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 normalized data is \n", normalized_data_l2)

Đầu ra

L2 normalized data is
[[ 0.43081298 0.39513899 -0.81133554]
[-0.19377596 0.02877279 -0.98062378]
[ 0.00504512 -0.88774018 0.4603172 ]
[ 0.10501701 0.04236279 -0.99356772]]

Giải thích

• Các gói bắt buộc được nhập.

• Dữ liệu đầu vào được tạo bằng thư viện Numpy.

• Hàm 'normalize' có trong lớp "prerocessing" được sử dụng để chuẩn hóa dữ liệu sao cho tổng các bình phương của các giá trị trong mỗi hàng sẽ là 1.

• Loại chuẩn hóa được chỉ định là 'l2'.

• Bằng cách này, mọi dữ liệu trong mảng sẽ được chuẩn hóa và tổng các bình phương của mọi hàng sẽ chỉ là 1.

• Dữ liệu chuẩn hóa này được hiển thị trên bảng điều khiển.