---
title: "特徵轉換（Feature Transformation）"
slug: feature-transformation
language: zh-TW
source: https://aiterms.tw/terms/feature-transformation
updated_at: 2026-06-22
tags: [特徵工程, 資料預處理, 機器學習, iPAS]
ipas_term: false
---

# 特徵轉換（Feature Transformation）

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。

## 完整說明

特徵轉換（Feature Transformation）是特徵工程的核心步驟，通過對原始特徵施加數學變換（如對數轉換、平方根、標準化）、組合操作（交互特徵）或降維技術（PCA、t-SNE），生成對模型學習更友善的新特徵表示。目標是使特徵更符合模型假設（如線性關係、正態分布）並提升預測性能。

## 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。

---

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