Mode de normalisation Scikit-learn (L1 vs L2 & Max)

Je me demandais si quelqu'un ici pouvait expliquer la différence entre le mode de normalisation l1, l2 et max dans le module sklearn.preprocessing.normalize ()? Après avoir lu la documentation, je n'ai pas réalisé la différence!

Les options conduisent à différentes normalisations. si est le vecteur de covariables de longueur , et disons que le vecteur normalisé est alors les trois options indiquent ce qu'il faut utiliser pour :$x$$n$$y = x / z$$z$

• L1:$z = \| x\|_1 = \sum_{i=1}^n |x_i|$
• L2:$z = \| x\|_2 = \sqrt{\sum_{i=1}^n x_i^2}$
• Max:$z = \max x_i$

Notez que l'utilisation de Max ne prend pas les valeurs absolues en premier, donc elle n'est pas égale à la norme $l_\infty$ .

( code source )