您可能想要解释您的系数。也就是说，能够说“如果我增加我的变量$X_1$ 1，然后，平均而言，在所有其他条件相同的情况下， $Y$ 应该增加 $\beta_1$”。

为了使您的系数可解释，线性回归假设了很多事情。

其中之一是没有多重共线性。也就是说，你的$X$ 变量不应相互关联。

另一个是同方差性。您的模型提交的错误应该具有相同的方差，即您应该确保线性回归不会对低值产生小错误$X$ 和较高的值的大错误 $X$. 换句话说，您预测的结果之间的差异$\hat Y$ 和真实值 $Y$应该是恒定的。您可以通过确保$Y$服从高斯分布。（证明是高度数学化的。）

根据您的数据，您可以将其设为高斯。典型的变换是取反、对数或平方根。当然还有很多其他的，这完全取决于你的数据。您必须查看您的数据，然后进行直方图或运行正态性检验，例如夏皮罗-威尔克检验。

这些都是构建无偏估计器的技术。我认为它与其他人所说的收敛没有任何关系（有时您可能还想规范化您的数据，但这是一个不同的话题）。

如果您想解释系数或想在模型中使用统计检验，遵循线性回归假设很重要。否则，忘记它。

应用对数或规范化数据也很重要，因为线性回归优化算法通常会最小化 $\|\hat y - y\|^2$, 所以如果你有一些大的 $y$离群值，你的估计器会非常关心最小化那些，因为它关心平方误差，而不是绝对误差。在这种情况下，规范化你的数据很重要，这就是为什么 scikit-learn在LinearRegression构造函数中有一个normalize选项。

这里的偏斜数据通过加一（加一是为了将零转换为一，因为未定义 0 的对数）并取自然对数来归一化。使用平方根或倒数或对数等转换技术可以使数据几乎标准化。现在，为什么需要它。实际上，数据中的许多算法都假设数据科学是正常的，并假设这一点计算各种统计数据。因此，数据越接近正常值，就越符合假设。

因为数据科学归根结底只是统计学，而统计学的关键假设之一是中心极限定理。所以这一步正在完成，因为一些后续步骤使用依赖它的统计技术。