log1p和expm1

在數據預處理時首先可以對偏度比較大的數據用log1p函數進行轉化，使其更加服從高斯分布，此步處理可能會使我們后續的分類結果得到一個更好的結果；
平滑處理很容易被忽略掉，導致模型的結果總是達不到一定的標准，同樣使用逼格更高的log1p能避免復值得問題——復值指一個自變量對應多個因變量；

log1p的使用就像是將一個數據壓縮到了一個區間，與數據的標准化類似。它的逆運算是expm1函數。

 

    log1p :=       即

    expm1 := 

 

log1p函數有它存在的意義，即保證了x數據的有效性，當x很小時（如 兩個數值相減后得到），由於太小超過數值有效性，用計算得到結果為0，

換作log1p則計算得到一個很小卻不為0的結果，這便是它的意義（好像是用泰勒公式來展開運算的，不確定）。

同樣的道理對於expm1，當x特別小，就會急劇下降出現如上問題，甚至出現錯誤值。

 

另外RMSLE（均方根對數誤差）會更多的懲罰欠擬合，所以在使用該誤差定義時我們也可以用到上面的函數：

1. np.loglp計算加一后的對數，其逆運算是np.expm1；
2. 采用此誤差函數時，可以先對原始數據做np.log1p，再使用RMSE。