正規化#

sklearn.preprocessing.normalize(X, norm='l2', *, axis=1, copy=True, return_norm=False)[原始碼]#

將輸入向量個別縮放到單位範數（向量長度）。

請在使用者指南中閱讀更多資訊。

參數:

X形狀為 (n_samples, n_features) 的 {類陣列, 稀疏矩陣}: 要正規化的資料，逐元素正規化。scipy.sparse 矩陣應為 CSR 格式，以避免不必要的複製。
norm{‘l1’, ‘l2’, ‘max’}，預設值=’l2’: 用於正規化每個非零樣本（如果軸為 0，則正規化每個非零特徵）的範數。
axis{0, 1}，預設值=1: 定義用於正規化資料的軸。如果為 1，則獨立正規化每個樣本；否則（如果為 0），則正規化每個特徵。
copy布林值，預設值=True: 如果為 False，則嘗試避免複製並就地正規化。這並不能保證總是就地工作；例如，如果資料是具有 int dtype 的 numpy 陣列，即使 copy=False，也會返回一個副本。
return_norm布林值，預設值=False: 是否返回計算的範數。

返回:

X形狀為 (n_samples, n_features) 的 {ndarray, 稀疏矩陣}: 正規化後的輸入 X。
norms如果 axis=1，則形狀為 (n_samples, ) 的 ndarray；否則形狀為 (n_features, ): 沿給定軸的 X 的範數陣列。當 X 為稀疏時，對於範數 ‘l1’ 或 ‘l2’，將引發 NotImplementedError。

另請參閱

正規化器 (Normalizer): 使用轉換器 API 執行正規化（例如，作為預處理管線的一部分）。

注意事項

有關不同縮放器、轉換器和正規化器的比較，請參閱：比較不同縮放器對帶有離群值的資料的影響。

範例

>>> from sklearn.preprocessing import normalize
>>> X = [[-2, 1, 2], [-1, 0, 1]]
>>> normalize(X, norm="l1")  # L1 normalization each row independently
array([[-0.4,  0.2,  0.4],
       [-0.5,  0. ,  0.5]])
>>> normalize(X, norm="l2")  # L2 normalization each row independently
array([[-0.66...,  0.33...,  0.66...],
       [-0.70...,  0.     ,  0.70...]])