Normalization = แปลงช่วงค่าให้เป็นมาตรฐาน (-1 ถึง +1 หรือ 0 ถึง 1) ทำได้ด้วยการลบและหาร L2 Normalization = Least Squares ทำให้ sum of squares ของข้อมูลในแต่ละแถว = 1
ตัวอย่าง
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)
ผลลัพธ์
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]]
คำอธิบาย
- นำเข้าแพ็กเกจ
- สร้างข้อมูล input ด้วย NumPy
- ใช้ 'normalize' ใน 'preprocessing' norm='l2' ทำให้ sum of squares = 1 ต่อแถว
- แสดงข้อมูลที่ normalized
L2 norm: ||x||₂ = sqrt(Σxᵢ²) normalization: x' = x / ||x||₂
