为什么在机器学习中电源或对数转换没有被很好地教授？

机器学习（ML）大量使用线性和逻辑回归技术。这也依赖于功能工程技术（feature transform，kernel，等）。

为什么没有任何关于variable transformation（例如power transformation）在ML提到？（例如，我从没听说过使用根或登录要素，它们通常仅使用多项式或RBF。）同样，为什么ML专家不关心因变量的要素转换？（例如，我从没听说过对y进行对数转换；他们只是不对y进行转换。）

编辑：也许不是肯定的问题，我真正的问题是“对变量的幂转换在ML中不重要吗？”

Kuhn和Johnson 撰写的《Applied Predictive Modeling》一书是一本备受推崇的实用机器学习书，其中很大一部分涉及变量转换，包括Box-Cox。作者声称，如果特征具有对称和单峰分布，则许多机器学习算法都能更好地工作。像这样转换功能是“功能工程”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，而不是对条件均值感兴趣，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，我喜欢使用核线性模型而不是（说）支持向量回归，因为如果需要，我可以使用泊松似然法。由于许多机器学习人员都是贝叶斯人，因此我怀疑使用不同的可能性似乎比进行转换更为优雅（通常，第一步是选择适当的可能性）。

这是我后来的想法。

我认为这是因为ML在很大程度上处理分类，并且分类不需要转换y（y是分类的）。ML通常处理较大的自变量（例如NLP中的数千个），并且逻辑回归不需要正态性；我认为这就是为什么出于速度考虑，他们不使用Box-Cox功率转换的原因。（注意：我对电源转换并不熟悉。）