搜尋意圖： 如果你在找「特徵轉換 是什麼」或「特徵轉換 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 將原始特徵通過數學變換或編碼映射為新的特徵表示，以改善機器學習模型的學習效果和泛化能力。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
將原始特徵通過數學變換或編碼映射為新的特徵表示，以改善機器學習模型的學習效果和泛化能力。
特徵轉換（Feature Transformation）是機器學習工作流中「資料準備」和「特徵工程」階段的關鍵操作，通過改變特徵的數學形式，使原始資料中潛藏的模式更容易被模型捕獲，或使資料滿足特定算法的假設前提。
數值特徵的常見轉換方法有幾大類。冪次轉換（Power Transform）用於處理偏態分布：對數轉換（log(x+1)）能壓縮右偏分布（長尾）使其接近正態，適合處理收入、金額等天然右偏的特徵；平方根轉換的效果較溫和；Box-Cox 轉換通過最大似然估計自動尋找最佳冪次參數，是更靈活的選擇。
縮放轉換（Scaling Transformation）使特徵值落在適當範圍：Min-Max 縮放將特徵映射到 [0,1]；Z 分數標準化使特徵均值為 0、標準差為 1；Robust 縮放使用中位數和四分位距，對異常值更穩健。縮放轉換是 KNN、SVM、線性迴歸等對特徵尺度敏感算法的必要前處理。
類別特徵的轉換方法包括序數編碼（有序類別）、獨熱編碼（無序類別）、目標編碼（高基數類別用目標變數均值替代）和嵌入層（深度學習中學習類別的稠密表示）。不當的類別編碼方式是初學者常見的錯誤來源之一。
交互特徵（Interaction Features）通過組合兩個或多個特徵創造新特徵，捕獲特徵之間的乘法交互作用。例如「年齡」和「收入」分別可能與貸款違約率有弱相關，但「年齡 × 收入」的交互特徵可能揭示年輕高收入群體的特殊行為模式。多項式特徵（Polynomial Features）是交互特徵的系統化實現，在核方法或線性模型中尤其有用。
降維（Dimensionality Reduction）是一類特殊的特徵轉換：主成分分析（PCA）通過線性投影將高維特徵壓縮到低維、最大保留方差方向；t-SNE 和 UMAP 用於可視化高維特徵的二維結構；自編碼器（Autoencoder）學習非線性壓縮表示。降維既能消除冗餘特徵、降低過擬合風險，也能可視化資料結構協助探索性分析。
在自動特徵工程工具（如 Featuretools、AutoFeat）中，特徵轉換的組合空間是自動搜索的對象，通過暴力枚舉或進化算法尋找能最大提升模型性能的轉換組合，大幅減少特徵工程的手工工作量。
Yeo-Johnson 轉換是 Box-Cox 轉換的擴展版本，支持包含零值和負值的特徵（Box-Cox 要求嚴格正值），是更通用的冪次轉換選擇。scikit-learn 的 PowerTransformer 實現了 Box-Cox 和 Yeo-Johnson，並提供 lambda 的最大似然估計。
特徵轉換與特徵選擇的先後順序是實踐中的重要決策：通常先做特徵轉換（縮放、正規化、類別編碼）再做特徵選擇，因為某些特徵選擇方法（如相關係數過濾）的結果依賴特徵尺度；但也有例外，例如使用樹模型做特徵重要性排序時，不需要先縮放（樹模型對尺度不敏感）。
在端到端深度學習系統中，特徵轉換可以作為可訓練層嵌入網路：嵌入層（Embedding Layer）對類別特徵進行可學習的稠密向量映射；批次正規化（Batch Normalization）在網路內部進行隱式特徵標準化；注意力機制（Attention）學習輸入特徵的加權組合。這些「可學習的轉換」有時比手工特徵工程更能捕獲資料的真實結構。 在 AutoML 系統（如 Google AutoML Tables、H2O AutoML）中，特徵轉換是自動化管道的核心組件：系統自動偵測特徵分布形狀（偏態、多模、異常值比例），自動選擇合適的轉換方法並搜尋最優超參數，大幅降低特徵工程的手工工作量，同時確保轉換的跨集合一致性。這使非資料科學背景的業務人員也能建立高質量的預測模型。
常見問題
什麼情況下需要對數轉換（Log Transform）？
對數轉換最適合以下情況：特徵分布嚴重右偏（如收入、房價、網頁瀏覽量），少數極大值拉偏均值；特徵與目標變數呈對數線性關係（如廣告曝光次數對點擊率的邊際效益遞減）；特徵跨越多個數量級（如細菌數量可能從 100 到 10 億）。對數轉換後的特徵通常更接近正態分布，對線性模型和高斯假設的算法效果更好。注意：對數轉換要求特徵值嚴格大於 0，含零值需先加 1（log(x+1)）。
特徵轉換應在什麼時候進行（訓練前還是訓練中）？
特徵轉換的時序非常重要：縮放和編碼參數（均值、標準差、類別映射）必須只從訓練集計算，再應用到測試集，避免資料洩露。scikit-learn 的 Pipeline 機制自動管理這個分離，確保 fit 只在訓練集執行，transform 應用於所有集。常見錯誤是在整個資料集上先做縮放再分訓練/測試集，這讓測試集的信息「洩露」進入了縮放參數，使評估結果偏樂觀。
深度學習模型是否需要特徵轉換？
深度學習對特徵轉換的依賴遠低於傳統機器學習算法，因為神經網路本身就能學習非線性變換。但一些基礎轉換仍然重要：輸入層的標準化（BatchNorm 在網路內部做，但輸入縮放通常也有益）；類別特徵仍需要嵌入層處理；嚴重偏態特徵的對數轉換仍能加速收斂。對於 CNN 和 Transformer 處理原始像素或 token 的場景，特徵轉換最少；對於 MLP 處理表格資料，特徵工程仍重要。