一个相当简单的问题：sklearn的log_loss度量中的参数”normalize”有什么作用？

根据文档：”normalize : bool, 可选（默认=True）如果为真，返回每个样本的平均损失。否则，返回所有样本损失的总和。” 我的理解是，这与是否包含N有关，True表示平均值，False表示总和：logloss = -1/N（每个案例损失的总和）log损失函数

如果是这样，优化其中一个与另一个没有区别，那么，为什么我们更喜欢一个而不是另一个呢？换句话说，设置这个参数的目的是什么？个人偏好吗？

回答：

虽然最小化f(x)和1/N f(x)是等价的，但在处理f(x) + alpha g(x)和1/N f(x) + alpha g(x)形式的函数时，常数的意义会发生变化，这在学习正则化逻辑回归时会发生，因此在第二种情况下，等效的alpha是1/N * 之前的alpha。这里没有“一种选择”，它完全取决于应用 – 有时平均值更适合（当你需要对样本大小不变时），有时是总和。