Machine learning sklearn logloss参数规格化函数

一个相当简单的问题：sklearn的log_损失度量的参数“normalize”做什么

根据：“normalize:bool，可选（默认值=True） 如果为true，则返回每个样本的平均损失。否则，返回每个样本损失的总和。“我的理解是，这与是否包含N有关，true是平均值，False是总和：logloss=-1/N（每个案例损失的总和）

---

如果是这样的话，优化一个或另一个并没有什么区别，那么，为什么我们更喜欢一个而不是另一个呢？换句话说，设置参数的意义是什么？个人偏好？

虽然f（x）和1/N f（x）的最小化是等效的，但当你处理形式为f（x）+αg（x）的函数与形式为1/N f（x）+αg（x）的函数时，常数的含义会发生变化，例如，当你学习正则化逻辑回归时，因此，在第二种情况下，等效alpha是1/N*先前的alpha。这里没有“一个选择”，它仅仅取决于应用——有时平均值更合适（当你需要对样本大小不变性时），有时求和。

虽然f（x）和1/N f（x）的最小化是等效的，但当你处理形式为f（x）+αg（x）的函数与形式为1/N f（x）+αg的函数时，常数的含义会发生变化（x） ，这发生在您学习正则化逻辑回归时，例如，在第二种情况下，等效alpha为1/N*先前的alpha。这里没有“一个选择”，它只是取决于应用程序-有时平均值更适合（当您需要对样本大小不变性时），有时求和