在这个引用http://mathworld.wolfram.com/L1-Norm.html中,L1范数被计算为向量中的值之和。在
现在,在这个网站上,http://www.chioka.in/differences-between-the-l1-norm-and-the-l2-norm-least-absolute-deviations-and-least-squares/L1范数是通过求向量的每个值和向量平均值之间的差异来计算的。在
我的问题是:为什么对同一规范有如此不同的解释?哪一个是正确的?最重要的是,使用哪一个,以及使用时如何使用sklearn.preprocessing.normalize?在
这是两种不同的情况。第一个是指向量的范数,它是向量长度的量度。在
L1的第二个用法是指损失函数,用于衡量模型的性能。这里L1不是通过求向量的每个值和向量平均值之间的差来计算的。而是首先计算每个真值的绝对值及其相应的预测值,然后将它们相加。在这种情况下,向量本身就是真实值和预测值之间的差分向量。在
相关问题 更多 >
编程相关推荐