好问题。你的解释是足够的。使用对数函数可以减少目标变量的偏度。为什么这很重要？

通过对数函数转换您的目标会使您的目标线性化。这对于许多期望线性目标的模型很有用。Scikit-Learn 有一个页面描述了这种现象：https ://scikit-learn.org/stable/auto_examples/compose/plot_transformed_target.html

需要注意的重要事项

如果您在训练之前修改目标，则应在模型末尾应用逆变换来计算“最终”预测。这样，您的绩效指标可以具有可比性。

直观地说，假设您有一个非常幼稚的模型，无论输入如何，它都会返回平均目标。如果您的目标有偏差，则意味着您将在大多数预测中低于/超出预期。因此，您的误差范围会更大，这会使平均绝对或相对误差 (MAE/MSE) 等分数变差。通过标准化你的目标，你可以减少你的错误范围，最终应该直接改进你的模型。

嗯......有很多方面可以回答这个问题（就像瓦伦丁的回答...... +1！）因为机器学习和数据挖掘通常与分布有关。我只提一些我首先想到的。

• 一些模型假设高斯分布，例如 K-means。想象一下，您想在没有对数变换的情况下对这些数据应用 K-means。K-means 对原始特征有很多困难，但对数变换使其非常适合 K-means，因为“均值”更能代表高斯分布中的样本，而不是偏态分布的样本。
• 一些统计分析技术也假设高斯性。ANOVA 最适用于（实际上设计用于）正态分布的数据（特别是在小样本群体中）。原因很简单，它主要处理均值和样本方差来确定样本总体的“中心”和“变异”，并且在高斯分布中最有意义。
• 总而言之，调整特征的计算比倾斜特征更稳健。偏斜特征的范围不均匀，如果它们的范围很大（如您的示例），这尤其是一个问题。调整后的（工程化的）特征不一定会变成高斯特征，而是具有更小、更均匀的范围。