A continuaciónSiguiente guía
Transformación de estilo de video a video
IA visual
GUÍA Técnica
Transformaciones Log y Box-Cox
Las transformaciones Log, Box-Cox y Yeo-Johnson remodelan las distribuciones numéricas, a menudo reduciendo el sesgo hacia la derecha y estabilizando la variación antes del modelado.
Escuche esta guíaNarrado por IA · ~3 min
En esta pagina3 minutos de lectura
Descripción general
Cambian la escala y la interpretación de los valores, por lo que la elección de la transformación, los parámetros ajustados y las predicciones inversas deben manejarse con cuidado.
Buceo profundo
Una transformación cambia la escala numérica de una variable para hacer que los patrones sean más fáciles de representar para un modelo. Un logaritmo crece lentamente para valores positivos grandes, por lo que puede reducir el sesgo a la derecha y convertir relaciones multiplicativas en aditivas. El cambio también significa que las diferencias en la escala transformada ya no corresponden a diferencias absolutas iguales en la escala original. El logaritmo ordinario requiere entradas positivas. Una transformación log1p utiliza log(1 más x) y admite cero, pero aún requiere x mayor que uno negativo. Agregar una constante arbitraria para permitir negativos cambia la interpretación y debe justificarse. Box-Cox considera una familia de transformaciones de potencia y estima un parámetro, pero su forma estándar requiere valores estrictamente positivos. Yeo-Johnson es otra familia de transformación de poder que puede manejar valores cero y negativos. Estos métodos pueden ayudar con funciones u objetivos sesgados, pero no son requisitos de preprocesamiento universales. Los modelos basados en árboles pueden ser menos sensibles al cambio de escala monótono que los modelos basados en relaciones lineales o distancias, aunque los cambios de distribución aún pueden afectar algunos flujos de trabajo. Una transformación no elimina valores atípicos, no establece la normalidad, no corrige el muestreo sesgado ni garantiza mejores predicciones. Compare el comportamiento del modelo y los errores en los datos retenidos. Para transformaciones de objetivos, ajuste los parámetros de transformación en los datos de entrenamiento y transforme los objetivos de entrenamiento en consecuencia. En el momento de la predicción, aplique la transformación inversa para volver a las unidades originales. Debido a que las inversas no lineales no preservan los promedios, simplemente exponenciar un valor logarítmico promedio predicho puede producir una estimación sesgada de la media condicional de la escala original. La corrección adecuada depende de los supuestos del modelo y del objetivo de la evaluación. Utilice una canalización para evitar ajustar parámetros de transformación mediante ejemplos de validación o prueba. Registre la transformación y el parámetro ajustado para que la inferencia utilice el mismo mapeo. Informe las métricas en una escala que coincida con la tarea práctica e inspeccione los residuos y los efectos de los subgrupos en lugar de juzgar solo la distribución transformada.
Implementación en el mundo real
Un modelo de valores de ingresos positivos utiliza una transformación logarítmica para reducir el sesgo hacia la derecha y luego informa las predicciones en la escala original con la transformación inversa.
Una canalización aplica Box-Cox a una medición estrictamente positiva y ajusta su parámetro utilizando únicamente datos de entrenamiento.
Un conjunto de datos incluye valores cero y negativos, por lo que el analista considera Yeo-Johnson u otro método justificado en lugar de aplicar un logaritmo simple.
Un equipo compara el comportamiento residual y el rendimiento mantenido antes y después de la transformación en lugar de asumir que una característica de aspecto más gaussiano garantiza un mejor modelo.
El futuro de las transformaciones Log y Box-Cox
Las transformaciones seguirán siendo útiles como herramientas transparentes para hacer coincidir los supuestos del modelo y representar la estructura multiplicativa. Las canalizaciones automatizadas pueden ajustar parámetros de forma segura y preservar asignaciones inversas, mientras que los modelos modernos pueden reducir la necesidad de configurar la distribución manual en algunas tareas. Ninguna de las tendencias elimina la necesidad de comparar resultados en la escala que interesa a los usuarios. A medida que evolucionan los procesos de implementación, los equipos deben conservar los metadatos de transformación y monitorear los rangos de entrada en busca de valores que el mapeo ajustado no representó bien. Registre los parámetros ajustados con el artefacto modelo.
Poniéndolo en práctica
Por qué es importante
- Costo y presupuesto. Las decisiones de arquitectura impulsan el rendimiento y los costos operativos durante años.
- Decisiones más claras. La educación técnica ayuda a los equipos a elegir la pila adecuada, no sólo la más nueva.
- control de calidad. Mejores opciones de ingeniería reducen los incidentes de confiabilidad en la producción.
cuidado con
- La optimización de un punto de referencia puede ocultar debilidades más amplias del sistema.
- Los costos de infraestructura y mantenimiento a menudo se subestiman.
- Las brechas de seguridad y observabilidad pueden crecer a medida que los sistemas se vuelven más complejos.
Próximos pasos
- Defina objetivos de latencia, calidad y costos antes de la implementación.
- Comparación en condiciones realistas de carga y datos.
- Monitoreo de instrumentos para detectar errores, deriva e impacto para el usuario.
- Prepare rutas de reversión y respuesta a incidentes antes de escalar.
Sigue explorando
Boletín gratuito
Recibe el resumen diario de IA
Tres noticias verificadas sobre IA cada mañana de lunes a viernes, explicadas con claridad. Gratis para siempre y sin anuncios.
Un correo cada día laborable. Date de baja con un clic. Nunca vendemos ni compartimos tu dirección.
Ponte a prueba
Take the Log and Box-Cox Transformations quiz
Corrección inmediata en cada respuesta y un certificado para compartir, con un ID verificable, cuando apruebas un curso.
Apoya la educación gratuita sobre IA. AI Understanding es una organización sin fines de lucro 501(c)(3): sin anuncios ni muros de pago, nunca. Hacer una donación
Preguntas frecuentes
¿Qué son las transformaciones Log y Box-Cox?
Las transformaciones Log, Box-Cox y Yeo-Johnson remodelan las distribuciones numéricas, a menudo reduciendo el sesgo hacia la derecha y estabilizando la variación antes del modelado. Cambian la escala y la interpretación de los valores, por lo que la elección de la transformación, los parámetros ajustados y las predicciones inversas deben manejarse con cuidado.
¿Qué efecto puede tener un logaritmo sobre una variable positiva fuertemente sesgada a la derecha?
El logaritmo crece más lentamente para entradas mayores y puede reducir el sesgo a la derecha.
¿Qué familia de transformaciones puede acomodar valores cero y negativos sin un cambio arbitrario?
Yeo-Johnson apoya aportaciones positivas y negativas con ramas separadas.
¿Por qué una transformación aprendida debe encajar sólo en cada pliegue de entrenamiento?
El uso de datos retenidos para estimar los parámetros de preprocesamiento filtra información en la evaluación.
¿Qué debería pasar con las predicciones de un modelo entrenado en objetivos transformados logarítmicamente?
La transformación inversa devuelve predicciones a las unidades originales del objetivo.
¿Por qué la exponencialización de una predicción logarítmica media puede no igualar la media condicional de la escala original?
Para funciones no lineales, la inversa de una expectativa generalmente difiere de la expectativa en la escala original.
sigue aprendiendo
Guías relacionadas
Más guías seleccionadas para este tema.