L1 Normalization

释义 Definition

L1 normalization（L1 归一化）：一种把向量/特征缩放到“各分量绝对值之和为 1”的方法。给定向量 (x)，其 L1 范数为 (|x|_1=\sum_i |x_i|)，L1 归一化通常指
[ x'=\frac{x}{|x|_1} ] 常用于机器学习与信息检索中，使不同样本的尺度可比；也与“稀疏性”相关的 L1 方法在同一语境中常被提及。（注意：在不同领域里，“归一化”也可能指其他约束方式。）

发音 Pronunciation (IPA)

/ˌɛl ˈwʌn ˌnɔːrməlaɪˈzeɪʃən/

词源 Etymology

L1 来自数学中的 (L^1)（读作 “ell one”）空间与 L1 norm（L1 范数） 的记法；normalization 源自 normal（标准的、规范的）+ -ization（……化），合起来表示“按 L1 范数进行规范化/缩放”。

例句 Examples

We apply L1 normalization so each feature vector sums to 1 in absolute value.
我们进行 L1 归一化，使每个特征向量的各分量绝对值之和为 1。

In text classification, L1 normalization can reduce the impact of document length while keeping relative term weights comparable across samples.
在文本分类中，L1 归一化可以减弱文档长度的影响，同时让不同样本之间的词项相对权重更可比。

相关词 Related Words

• L2 Normalization
• Norm
• Regularization
• Feature Scaling
• Standardization
• Sparse
• Manhattan Distance
• Vector
• Unit Norm

文学与作品 Literary / Notable Works

• The Elements of Statistical Learning（Hastie, Tibshirani, Friedman）——在特征缩放、正则化与范数相关讨论中常出现 L1/L2 语境。
• Pattern Recognition and Machine Learning（Christopher M. Bishop）——在概率模型与特征处理、范数相关内容中常见。
• Deep Learning（Goodfellow, Bengio, Courville）——在训练技巧与输入预处理/正则化相关章节常提到范数与归一化。
• Convex Optimization（Boyd & Vandenberghe）——在范数、约束与优化表述中常用 L1 相关记号与概念。