sklearn logloss参数归一化函数
sklearn logloss parameter normalize function
一个相当微不足道的问题：sklearn 的 log_loss 指标的参数 "normalize" 有什么作用？
根据 documentation: "normalize : bool, optional (default=True)
如果为真，return 每个样本的平均损失。否则，return per-sample losses 的总和。”我的理解是它与是否包含 N 有关，True 是平均值，False 是总和：logloss = -1/N (sum每件损失）
log loss function
如果是这样，优化一个或另一个没有区别，那么，为什么我们更喜欢一个呢？换句话说，放置参数的意义何在？个人喜好？
虽然 f(x) 和 1/N f(x) 的最小化是等效的，但是当您处理 f(x) + alpha g(x) 与 1 形式的函数时，常量的含义会发生变化/N f(x) + alpha g(x)，这发生在您学习例如正则化逻辑回归时，因此在第二种情况下，等效 alpha 是 1/N * 先前的 alpha。这里没有 "one choice"，它仅取决于应用程序 - 有时平均值更适合（当您需要样本大小不变时），有时求和。
一个相当微不足道的问题：sklearn 的 log_loss 指标的参数 "normalize" 有什么作用？
根据 documentation: "normalize : bool, optional (default=True) 如果为真，return 每个样本的平均损失。否则，return per-sample losses 的总和。”我的理解是它与是否包含 N 有关，True 是平均值，False 是总和：logloss = -1/N (sum每件损失） log loss function
如果是这样，优化一个或另一个没有区别，那么，为什么我们更喜欢一个呢？换句话说，放置参数的意义何在？个人喜好？
虽然 f(x) 和 1/N f(x) 的最小化是等效的，但是当您处理 f(x) + alpha g(x) 与 1 形式的函数时，常量的含义会发生变化/N f(x) + alpha g(x)，这发生在您学习例如正则化逻辑回归时，因此在第二种情况下，等效 alpha 是 1/N * 先前的 alpha。这里没有 "one choice"，它仅取决于应用程序 - 有时平均值更适合（当您需要样本大小不变时），有时求和。