机器学习中的特征工程锦囊：对数变换

转载于机器学习中的特征工程锦囊：对数变换

本次将介绍经典的特征工程方法-对数变换

对数变换是一种常用的特征工程方法，一般对于数值大于0的重尾分布数据，我们都可以采取对数变换的方法来转换特征值，从而让特征具有更好的数值属性，进而增强模型的效果。

那么如何理解对数变换？什么情况下对数变换会是一种有效的特征工程方法呢？我们首先来介绍两个概念。

1，对数函数

既然要进行对数变换，那么就需要针对对数函数的性质有深刻的理解。下图是对数函数在一个较大的定义域范围内所绘制出的函数图像，

对数函数的函数图像(x0)

我们可以很明显地看出，当x数值较小时，y值变化较快，而随着x值不断变大，y值变化越发平缓，那么这个图形性质就可以对某一个数值范围进行伸缩。

2，重尾分布

我们常说很多事物的自然分布近似于正态分布，但事实上还有一种更为广泛的分布，其表现为少量的个体做出大量的贡献（如下图所示），这就是长尾分布。

长尾分布图像

具体代码如下：

对于呈现长尾分布的特征，我们不能简单的去除掉长尾部分的特征值，因为这些长尾的尾部很长，在特征分布中占比其实也并不低，事实上具有很大的信息量，对模型来说很有价值。但如果直接就这么放入模型也不是合适的方法，如上图所示，尖尖的左侧加一个长长的尾巴，那么这意味着有大量的值在<2左右的这个极小的低值端区间内，分布明显有偏向，这就使得以高斯分布为假设的模型难以学习到合理的参数，那么该特征为模型带来的效果就会大打折扣。

问题已经明确，既然这种分布形式并不好，那么我们怎么来缓解它呢？答案就是，使用对数变换。

3，对数变换

根据前面发现的log函数所具有的性质，我们就可以通过log转换使得较小值区间在转换后被扩展到一个变化较大的范围内（x数值较小时，y值变化较快），而长尾的大值区间被压缩到一个变化较小的范围内（随着x值不断变大，y值变化越发平缓），进而整体上减缓长尾分布这种极偏的分布状态，为低值端争取更多的空间，将高值端尽可能的压缩，使得整体分布更加合理。

对数变换后的长尾分布

具体代码如下：

4，结语

对数变换是一种十分常用的特征工程方法，当我们遇到类似分布的特征数据时，可以尝试通过这种变换。，此外它还具有以下优点：

1. 缩小数据的绝对数值范围，让特征不再漂。
2. 依据对数的运算法则，将乘法变换为加法，符合中心极限法则下收敛到正态分布的假设。
3. 非线性转换为线性，让问题变得更好建模