Modo de normalización de aprendizaje de Scikit (L1 vs L2 y Max)

Me preguntaba si alguien aquí puede explicar la diferencia entre el modo de normalización l1, l2 y max en el módulo sklearn.preprocessing.normalize ()? ¡Después de leer la documentación no pude notar la diferencia!

Las opciones conducen a diferentes normalizaciones. Si$x$ es el vector de covariables de longitud $n$y digamos que el vector normalizado es $y = x / z$ entonces las tres opciones denotan qué usar para $z$:

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

Tenga en cuenta que el uso de Max no toma valores absolutos primero, por lo que no es igual a la norma .$l_\infty$

( código fuente )