L2归一化
L2归一化详细操作教程
可以将其定义为规范化技术，该技术以以下方式修改数据集值：在每一行中，平方和总等于1。这也称为最小平方。
示例
在此示例中，我们使用L2归一化技术对之前使用的Pima Indians Diabetes数据集的数据进行归一化。首先，将加载CSV数据（如前几章所述），然后在
Normalizer 类的帮助下将其标准化。
以下脚本的前几行与我们在上一章中编写CSV数据时写的相同。
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-27
from pandas import read_csv
from numpy import set_printoptions
from sklearn.preprocessing import Normalizer
path = r'C:\pima-indians-diabetes.csv'
names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
dataframe = read_csv (path, names=names)
array = dataframe.values
现在，我们可以对L1使用Normalizer类对数据进行标准化。
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-27
Data_normalizer = Normalizer(norm='l2').fit(array)
Data_normalized = Data_normalizer.transform(array)
我们还可以根据我们的选择汇总输出数据。在这里，我们将精度设置为2，并在输出中显示前3行。
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-27
set_printoptions(precision=2)
print ("\nNormalized data:\n", Data_normalized [0:3])
输出
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-27
Normalized data:
[[0.03 0.83 0.4 0.2 0. 0.19 0. 0.28 0.01]
[0.01 0.72 0.56 0.24 0. 0.22 0. 0.26 0. ]
[0.04 0.92 0.32 0. 0. 0.12 0. 0.16 0.01]]
