DalšíDalší průvodce
Transformace stylu videa na video
Vizuální AI
Technický PRŮVODCE
Log, Box-Cox a Yeo-Johnson transformace mění tvar numerických distribucí, často redukují pravé zešikmení a stabilizují variace před modelováním.
Poslechněte si tento návodAI-vyprávěný · ~3 min
Mění měřítko a interpretaci hodnot, takže výběr transformace, přizpůsobené parametry a inverzní predikce musí být zpracovány opatrně.
Transformace mění číselné měřítko proměnné, aby se vzory snáze zobrazovaly v modelu. Logaritmus roste pomalu pro velké kladné hodnoty, takže může snížit zkosení doprava a změnit multiplikativní vztahy na aditivní. Změna také znamená, že rozdíly na transformované škále již neodpovídají stejným absolutním rozdílům na původní stupnici. Obyčejný logaritmus vyžaduje kladné vstupy. Transformace log1p používá log(1 plus x) a přizpůsobuje se nule, ale stále vyžaduje x větší než zápornou jedničku. Přidání libovolné konstanty pro povolení záporů mění interpretaci a mělo by být odůvodněné. Box-Cox zvažuje rodinu transformací síly a odhaduje parametr, ale jeho standardní forma vyžaduje přísně kladné hodnoty. Yeo-Johnson je další rodina transformace energie, která zvládne nulové a záporné hodnoty. Tyto metody mohou pomoci se zkreslenými prvky nebo cíli, ale nejsou univerzálními požadavky na předběžné zpracování. Modely založené na stromech mohou být méně citlivé na monotónní změnu měřítka než modely založené na lineárních vztazích nebo vzdálenosti, ačkoli změny distribuce mohou stále ovlivnit některé pracovní postupy. Transformace neodstraňuje odlehlé hodnoty, nenastoluje normalitu, neopravuje zkreslené vzorkování ani nezaručuje lepší předpovědi. Porovnejte chování modelu a chyby na pozdržených datech. U cílových transformací přizpůsobte transformační parametry tréninkovým datům a podle toho transformujte tréninkové cíle. V době predikce použijte inverzní transformaci pro návrat k původním jednotkám. Protože nelineární inverze nezachovávají průměry, pouhé umocnění průměrné předpokládané logaritmické hodnoty může vytvořit zkreslený odhad podmíněného průměru původního měřítka. Vhodná korekce závisí na předpokladech modelování a cíli hodnocení. Použijte potrubí, abyste se vyhnuli přizpůsobení transformačních parametrů pomocí příkladů ověření nebo testu. Zaznamenejte transformaci a přizpůsobený parametr, aby inference používala stejné mapování. Vykazujte metriky v měřítku, které odpovídá praktickému úkolu, a kontrolujte rezidua a efekty podskupin spíše než posuzovat pouze transformovanou distribuci.
A model of positive income values uses a log transform to reduce right skew, then reports predictions back on the original scale with the inverse transform.
A pipeline applies Box-Cox to a strictly positive measurement and fits its parameter using training data only.
A dataset includes zero and negative values, so the analyst considers Yeo-Johnson or another justified method instead of applying a plain logarithm.
A team compares residual behavior and held-out performance before and after transformation rather than assuming a more Gaussian-looking feature guarantees a better model.
Transformations will continue to be useful as transparent tools for matching model assumptions and representing multiplicative structure. Automated pipelines can fit parameters safely and preserve inverse mappings, while modern models may reduce the need for manual distribution shaping in some tasks. Neither trend removes the need to compare outcomes on the scale that users care about. As deployment pipelines evolve, teams should retain transformation metadata and monitor input ranges for values the fitted mapping did not represent well. Record the fitted parameters with the model artifact.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
Log, Box-Cox a Yeo-Johnson transformace mění tvar numerických distribucí, často redukují pravé zešikmení a stabilizují variace před modelováním. Mění měřítko a interpretaci hodnot, takže výběr transformace, přizpůsobené parametry a inverzní predikce musí být zpracovány opatrně.
The logarithm grows more slowly for larger inputs and can reduce right skew.
Yeo-Johnson supports positive and negative inputs with separate branches.
Using held-out data to estimate preprocessing parameters leaks information into evaluation.
The inverse transform returns predictions to the target's original units.
For nonlinear functions, the inverse of an expectation generally differs from the expectation on the original scale.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
Transformace stylu videa na video
Vizuální AI