有些问题将取决于您的数据和分析方法的特定特征，但一般而言，倾斜的数据（在任一方向上）会降低您的模型描述更“典型”案例的能力，以便处理发生的更罕见的案例取极值。

由于“典型”案例比偏斜数据集中的极端案例更常见，因此您会失去一些您最常看到的案例的精确度，以适应您很少看到的案例。确定所有在 [0,10] 之间的一千个观测值的系数可能比 [0,10] 之间的 990 个观测值和 [1,000, 1,000,000] 之间的 10 个观测值更精确。这可能会导致您的模型总体上不太有用。

“修复”偏度可以提供多种好处，包括使依赖于近似正态分布的数据的分析成为可能/提供更多信息。它还可以产生以合理的规模报告的结果（这非常依赖于情况），并防止极端值（相对于其他预测变量）高估或低估倾斜预测变量对预测分类的影响。

您可以通过训练具有不同数据子集的模型来测试这一点（可以肯定的是）但排除“典型”范围之外的值（尽管您在定义时必须小心），您的数据与倾斜变量分布的变换或重新缩放等。

至于修复它，转换和重新缩放通常是有意义的。但我怎么强调都不为过：

摆弄变量及其分布应该遵循这些变量的属性，而不是您建模的便利性。

对数转换偏斜变量就是一个很好的例子：

• 如果你真的认为一个变量在几何尺度上运行，并且你希望你的模型在算术尺度上运行，那么对数变换会很有意义。
• 如果您认为该变量在算术尺度上运行，但您发现它的分布不方便，并且认为对数变换会产生更方便的分布，那么变换可能是有意义的。它将改变模型的使用和解释方式，通常会使模型更密集，更难解释清楚，但这可能值得，也可能不值得。例如，如果您获取数字结果的对数和数字预测变量的对数，则必须将结果解释为它们之间的弹性，这可能很难使用，而且通常不是所希望的。
• 如果您认为变量需要对数转换，但它有很多值为 0 的观察值，那么对数转换对您来说并不是一个真正的选择，无论它是否方便。（向 0 观察值添加一个“小值”会导致很多问题——取 1-10 的对数，然后是 0.0 到 1.0）。

我同意@Upper_Case 的要点很好的回答。我喜欢提出一个强调问题的“机器学习”方面的观点。

对于使用 kNN、逻辑回归、核 SVM 或非线性神经网络的分类任务，我们关注的主要缺点是模型性能下降，例如验证集上的 AUC 得分下降。

当偏度对结果质量的损害难以评估时，通常会研究偏度的其他缺点。 ， 接着

1. 如果性能下降，我们不会转型，
2. 如果性能有所改善，我们就会转型。

换句话说，偏度的损害可以很容易和客观地评估，因此，这些理由不会影响我们的决定，只有性能会。

如果我们仔细看看使用对数转换的理由，当对模型或测试直接使用的最终特征做出一些假设时，它们是正确的。最终特征是原始特征的函数；该功能可以是身份。例如，模型（或测试）可能假设最终特征应该是正常的，或者至少围绕均值对称，或者应该是线性相加的，等等。然后，我们知道（或推测）原始特征特征是左偏的，可以执行对数转换以使最终特征与施加的假设保持一致。

这里一个重要的复杂性是我们没有也不能改变任何原始特征的分布，我们只是创建了一个最终特征（作为原始特征的函数），它具有更符合强加假设的不同分布。

对于使用 kNN、逻辑回归、核 SVM 或非线性神经网络的分类任务，最终特征的分布没有正态性或对称假设，因此这些模型在这方面没有力量。虽然，我们可以在逻辑回归模型中追踪“线性加法”假设的影子，即

但是同样，与模型评估的结果相比，这些理由排在第二位，如果性能受到影响，我们不会进行转换。