机器学习 (ML) 大量使用线性和逻辑回归技术。它还依赖于特征工程技术（feature transform、kernel等）。
为什么在 ML 中没有提到variable transformation（例如）？power transformation（例如，我从未听说过对特征进行 root 或登录，他们通常只使用多项式或 RBF。）同样，为什么 ML 专家不关心因变量的特征转换？（例如，我从未听说过对 y 进行对数变换；他们只是不变换 y。）
编辑：也许问题不是肯定的，我真正的问题是“对变量的功率转换在 ML 中不重要吗？”
Kuhn and Johnson所著的Applied Predictive Modeling一书是一本备受推崇的实用机器学习书籍，其中很大一部分是关于变量转换的，包括 Box-Cox。作者声称，如果特征具有对称和单峰分布，许多机器学习算法会更好地工作。像这样转换特征是“特征工程”的重要组成部分。
从我自己的角度来看，我经常对响应变量的预测分布感兴趣，而不仅仅是条件均值，在这种情况下，最好使用更正确地表示目标分布的可能性。例如，我喜欢使用核化线性模型而不是（比如说）支持向量回归，因为如果我愿意，我可以使用泊松似然。由于许多机器学习人员都是贝叶斯主义者，我怀疑使用不同的可能性似乎比转换更优雅（选择适当的可能性通常是第一步）。
这是我后来的想法。
我认为这是因为 ML 主要是处理分类，分类不需要转换 y（y 是分类的）。ML 通常处理大型自变量（例如 NLP 中的数千个），逻辑回归不需要正态性；我认为这就是为什么他们出于速度考虑而不使用 Box-Cox 功率变换的原因。（注意：我对电源转换不熟悉。）