Какую норму L1 рассматривает sklearn.preprocessing.normalize?

Question

В этой ссылке http://mathworld.wolfram.com/L1-Norm.html, L1 норма рассчитывается как сумма значений в векторе.

Теперь на этом веб-сайте http://www.chioka.in/differences-between-the-l1-norm-and-the-l2-norm-least-absolute-deviations-and-least-squares/ L1 норма рассчитывается путем суммированияразличия между каждым значением вектора и вектора означают.

Мой вопрос: почему так разные интерпретации для одной и той же нормы?который правильный?и самое главное, какой из них используется и как он используется при использовании sklearn.preprocessing.normalize?

Answer 1

Это два разных сценария.Первый относится к норме вектора, которая является мерой длины вектора.

Второе использование L1 относится к функции потерь, используемой для измерения того, насколько хорошо работает ваша модель.Здесь L1 НЕ рассчитывается путем суммирования разностей между каждым значением вектора и среднего вектора.Скорее он рассчитывается сначала путем вычисления абсолютных значений каждого истинного значения и соответствующего ему прогноза, а затем их суммирования.В этом случае сам вектор является вектором разности между истинными значениями и предсказаниями.