首先让我说，我对机器学习很陌生，数学不太好。我了解 TF-IDF 的作用，但在我正在阅读的书中还指出了以下内容（它正在讨论 scikit-learn 如何做事）：

两个类 [TfidfTransformer 和 TfidfVectorizer] 在计算 tf-idf 表示之后也应用 L2 归一化；换句话说，他们重新缩放每个文档的表示以具有欧几里德范数 1。以这种方式重新缩放意味着文档的长度（字数）不会改变向量化的表示。

这就是关于这个主题的全部内容。我认为这意味着什么，如果我错了，请告诉我，是我们缩放值，以便如果它们全部平方和求和，则值为 1（我从http://kawahara.ca获取了这个定义/how-to-normalize-vectors-to-unit-norm-in-python/）。

因此，这个想法是特征值彼此成比例。不过，我不完全确定这对模型有什么帮助。如果某些示例的“打开功能”总数不高于其他示例，它是否有助于整个分类器学习？

另外，这是一个基本问题：L2 归一化与 L2 正则化有什么关系吗？也许只是它们都涉及平方和求和项？

无论您能分享什么见解，都将不胜感激！