sklearn logloss 参数归一化函数

Question

一个相当琐碎的问题：sklearn 的 log_loss 指标的参数“标准化”有什么作用？

根据documentation: "normalize : bool, optional (default=True) 如果为真，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，它与是否包含 N 有关，True 是平均数，False 是总和：logloss = -1/N（每个案例损失的总和) log loss function

如果是这样，优化一个或另一个并没有什么不同，那么，为什么我们更喜欢一个而不是另一个？换句话说，放置参数的意义何在？个人喜好？

Answer 1

虽然 f(x) 和 1/N f(x) 的最小化是等价的，但当您处理 f(x) + alpha g(x) 与 1/N 形式的函数时，常数的含义会发生变化f(x) + alpha g(x)，例如在学习正则化逻辑回归时会发生这种情况，因此在第二种情况下，等效 alpha 是 1/N * 前一个 alpha。这里没有“一种选择”，它仅取决于应用程序 - 有时均值更适合（当您需要样本量不变时），有时求和。