有人能帮我解决中使用normalize与normalizer进行特征缩放的差异吗
- 预处理.normalize((与预处理。Normalizer((
它们对数据的影响是等效的。normalize函数旨在成为规范单个矢量/矩阵的"快捷"选项。Normalizer就是所谓的"实用程序类"。它只是将normalize函数封装在Sklearn的TransformerAPI中。正如文档中所述，这使得Normalizer类非常适合在Sklearn的Pipeline类中使用。
**更新以提供更多详细信息**
归一化器
normalize和Normalizer的功能是相同的。即，给定相同的数据和参数，它们将各自返回输入矩阵的L1或L2范数。
有关更多详细信息，请参阅sklearn.preprocessing.normalizer文档。
变压器
Normalizer是变压器的一个示例。变压器可以通过多种方式处理数据。它们在sklearn中的一个共同点是具有fit、transform和fit_transform方法。
有关更多详细信息，请参阅数据转换器文档。
管道
sklearn.pipeline.Pipeline是一个用于"链接"数据转换(归一化、缩放、滤波等(的类和估计器。当使用交叉验证来优化预处理转换和估计器中的不同参数时，能够做到这一点是有帮助的。
由于sklearn.pipeline.Pipeline的工作方式，它需要组成函数来使用transformerAPI。即具有fit、transform和fit_transform方法。
有关更多详细信息，请参阅sklearn.pipeline.Pipline文档。
Normalize和Normalizer之间的差异
Normalize没有fit、transform和fit_transform方法。因此，虽然它适合"独立"使用，但不能作为Pipeline的一部分使用。Normalizer被封装在sklearn的TransformerAPI中，以便提供Transformer方法。
因此，Normalizer允许normalize函数与fit、transform和fit_transform方法一起使用，这反过来又允许它作为Pipeline的一部分使用。
票据
- 因为在规范化数据时没有适合的模型(从技术上讲，
normalize除了配置参数(例如，在哪个轴上进行规范化以及使用哪种类型的规范化(之外，是无状态的(，所以它只需要transform方法。因此，fit返回输入而不进行修改，并且fit_transform的行为与transform相同 - 可能存在使
TransformerAPI可用于normalize的其它原因，但其作为Pipeline的一部分的使用是最常见的