---
title: "對數轉換（Log Transformation）"
slug: log-transformation
language: zh-TW
source: https://aiterms.tw/terms/log-transformation
updated_at: 2026-06-22
tags: [資料前處理, 偏態分布, 特徵工程, 數值轉換, Box-Cox]
ipas_term: false
---

# 對數轉換（Log Transformation）

將數值特徵取對數以壓縮偏態分布、縮小量級差距，使數據更接近常態分布的前處理技術。

## 完整說明

對數轉換是資料前處理中常用的數值轉換方法，透過對特徵值套用對數函數（如 log₁₀、ln 或 log₂），將右偏態（正偏態）分布轉換為接近常態分布的形狀，同時壓縮數量級之間的差距。此技術特別適合收入、人口、銷售量等跨越多個數量級的變數，能有效降低極端值（Outlier）的影響，提升線性模型與距離型演算法的表現。

## 常見問題

### 對數轉換和標準化（Standardization）有什麼不同？

兩者都是特徵前處理方法，但目的不同。標準化（如 Z-score Normalization）將特徵轉換為均值為 0、標準差為 1 的分布，主要解決不同特徵之間的量級差異（讓距離型演算法不被大量級特徵主導），但不改變分布形狀。對數轉換則改變分布形狀，將偏態分布拉向常態分布，同時也壓縮量級。在實務中，兩者常配合使用：先對數轉換解決偏態，再標準化處理量級差異。選擇哪種方法（或兩者都用）取決於數據的分布特性與下游演算法的假設。

### 所有數值特徵都應該做對數轉換嗎？

不是。對數轉換應在數據分布呈右偏態（正偏態）時才有意義。若特徵已近似常態分布或呈左偏態，對數轉換可能使分布更差。建議的做法是先繪製每個特徵的直方圖或計算偏度（Skewness）統計量，偏度顯著大於 1 的特徵再考慮對數轉換。此外，對於有業務解釋意義的特徵（如年齡、評分），不必要的轉換會使結果難以解釋，應在解釋性與轉換效益之間取捨。

### 對目標變數（Y）做對數轉換後，預測結果需要還原嗎？

是的。若對目標變數 Y 進行了 log 轉換，模型學習的目標是 log(Y)，預測輸出也是 log(Y) 的預測值。在輸出最終預測時，必須進行反轉換：若使用 ln，則 exp(預測值) 還原為原始量級；若使用 log1p，則 np.expm1(預測值) 進行反轉換。需要注意的是，在評估模型效能時，應在原始量級（還原後）計算業務相關的指標（如 MAE、RMSE），而非在對數量級上計算，否則指標數字無法對應到實際業務意義。

---

來源：https://aiterms.tw/terms/log-transformation
快查頁：https://aiterms.tw/terms/log-transformation
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-log-transformation