優點：
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能避免復值的問題——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。下面再說說它的逆運算expm1函數。
由於前面使用過log1p將數據進行了壓縮，所以最后需要記得將預測出的平滑數據進行一個還原，而還原過程就是log1p的逆運算expm1。
上面介紹了兩者的概念和方法的優點，下面說說具體的數學含義：
log1p和expm1的功能：
log1p := log(x+1) 即 ln(x+1)
expm1 := exp(x)-1
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e-16），由於太小超過數值有效性，用log(x+1)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。
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。
推導：
均方根對數誤差（RMSLE）：
RMSLE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：
np.loglp計算加一后的對數，其逆運算是np.expm1；
采用此誤差函數時，可以先對原始數據做np.log1p，再使用RMSE。