Scikit-Learn-Normalisierungsmodus (L1 vs L2 & Max)

Ich habe mich gefragt, ob hier jemand den Unterschied zwischen dem Normalisierungsmodus l1, l2 und max im Modul sklearn.preprocessing.normalize () erklären kann. Nachdem ich die Dokumentation gelesen hatte, konnte ich den Unterschied nicht erkennen!

Die Optionen führen zu unterschiedlichen Normalisierungen. Wenn $x$ der Vektor von Kovariaten der Länge $n$ ist und der normalisierte Vektor $y = x / z$ ist, geben die drei Optionen an, was für $z$ :

• $z = \| x\|_1 = \sum_{i=1}^n |x_i|$
• L2:$z = \| x\|_2 = \sqrt{\sum_{i=1}^n x_i^2}$
• Max:$z = \max x_i$

Beachten Sie, dass die Verwendung von Max nicht zuerst absolute Werte annimmt, daher nicht der Norm entspricht.$l_\infty$

( Quellcode )