José Eder Guzmán Mendoza
Las normas de vectores permiten medir la magnitud o intensidad de un vector y son fundamentales en machine learning para calcular distancias, comparar perfiles y controlar la complejidad de los modelos. La norma L2 (euclidiana) mide la distancia directa desde el origen hasta el vector, siguiendo el principio del teorema de Pitágoras, y es muy utilizada para medir similitud y aplicar regularización en modelos.
Además de L2, existen otras normas con aplicaciones específicas. La norma L1 suma los valores absolutos y es útil cuando se busca mayor robustez frente a valores extremos; la norma L0 cuenta cuántos elementos del vector son distintos de cero, lo que ayuda a analizar la dispersión o sparsidad de datos; y la norma L∞ identifica el valor absoluto máximo del vector, mostrando el mayor impacto de una característica. Con NumPy, estas normas se pueden calcular fácilmente para analizar y preparar datos en modelos de inteligencia artificial.
