Pythonでscikit-learnライブラリを使用してL1正規化を実装する方法を説明してください。

値の範囲を標準化された値の範囲に変換するプロセスは、正規化と呼ばれます。これらの値は、-1から+1または0から1の間である可能性があります。データは、減算と除算を使用して正規化することもできます。

入力として学習アルゴリズムに供給されるデータは、一貫性があり、構造化されている必要があります。値を効果的に予測するには、入力データのすべての機能を単一のスケールにする必要があります。しかし、現実の世界では、データは構造化されておらず、ほとんどの場合、同じ規模ではありません。

これは、正規化が思い浮かぶときです。これは、最も重要なデータ準備プロセスの1つです。

これは、入力データセットの列の値を同じスケールに収まるように変更するのに役立ちます。

正規化の過程で、値の範囲が歪まないことが保証されます。

注 −機械学習アルゴリズムに供給されるすべての入力データセットを正規化する必要はありません。正規化が必要なのは、データセット内のフィーチャの値のスケールが完全に異なる場合のみです。

正規化にはさまざまな種類があります-

• 最小-最大正規化
• Z正規化
• 単位ベクトルの正規化

L1正規化がどのように機能するかを理解しましょう。

最小絶対偏差とも呼ばれ、絶対値の合計がすべての行で1のままになるようにデータを変更します。

Pythonでscikitlearnを使用してL1正規化を実装する方法を見てみましょう-

例

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]]
)
data_normalized_l1 = preprocessing.normalize(input_data, norm='l1')
print("\nL1 normalized data is \n", data_normalized_l1)

出力

L1 normalized data is
[[ 0.26312604 0.24133757 -0.49553639]
[-0.16105417 0.0239141 -0.81503172]
[ 0.00372856 -0.65607755 0.34019389]
[ 0.09204368 0.03712949 -0.87082683]]

説明

• 必要なパッケージがインポートされます。

• 入力データは、Numpyライブラリを使用して生成されます。

• クラス「preprocessing」にある「normalize」関数は、データを正規化するために使用されます。

• 正規化のタイプは「l1」として指定されます。

• このようにして、配列内のすべてのデータが正規化され、すべての行の合計は1のみになります。

• この正規化されたデータはコンソールに表示されます。