sklearn.preprocessing中的StandardScaler、normalize、Normalizer和LASSO中的Normalize=True

在使用以RBF为核函数的SVM时，或使用L1或L2正则化的线性模型时，通常要求各个特征具有相似的方差，否则拥有较大方差的特征将主导梯度下降的过程，从而导致无法得出真正的最优解。因此，在做之前要求对数据进行标准化，即对于每个特征（数据中的每一列）进行标准化

Xi=Xi−X¯¯¯¯sdX X i = X i − X ¯ s d X

from sklearn.preprocessing import StandardScaler
ss = StandardScaler()
X_train = ss.fit_transform(X_train)   #默认按列（feature）标准化
X_test = ss.transform(X_test)
           

在使用LASSO时，有个选项为Normalize=True，这个操作是类似于对数据进行标准化的操作，也是按列（feature）操作的。正则化处理后，每个特征的L1或L2范数相同，为1

Xi=Xi|X| 或 Xi=Xi∥X∥ X i = X i | X |   或   X i = X i ‖ X ‖

但是，需要注意的是，sklearn.preprocessing中有两个与正则化有关的选项，分别是normalize和Normalizer。它们的原理与上述类似，区别是它们默认按行操作，且Normalizer只能按行操作

from sklearn.preprocessing import normalize,Normalizer
X = normalize(norm='l2',axis=)  #按行操作
X = normalize(norm='l2',axis=)  #按列操作

normalizer = Normalizer(norm='l2').fit(X_train)  #按行操作
X_train = normalizer.transform(X_train)
X_test = normalizer.transform(X_test)
           

Normalizer需要先fit，fit这一步不会对X_train产生操作，要想生成正则化后的数据，需要transform。该操作对行进行，且不提供指定轴的选项。Normalizer可以将在X_train上训练到的规则应用到X_test的转变上。normalize可以按列操作，但对X_train训练的规则无法转换到X_test上。

因此，貌似Preprocessing中的Normalizer和normalize不适合于对数据进行预处理？