TransformedTargetRegressor不能直接套用log变换，因其默认不自动反变换预测值；必须用FunctionTransformer(np.log1p, np.expm1)等支持inverse_transform的转换器，否则预测结果仍在对数尺度，导致评估失真。
TransformedTargetRegressor 为什么不能直接套用 log 变换？
因为 TransformedTargetRegressor 默认只对训练时的 y 做正向变换（比如 np.log1p），但预测后不会自动反变换回原始尺度——你拿到的是 log 尺度的预测值，不是真实 y 值。很多人卡在这一步，模型 score 看着很高，一算 mean_absolute_error 就离谱。
实操建议：
- 必须显式传入支持
inverse_transform的 transformer，比如FunctionTransformer(np.log1p, np.expm1)，不能只写np.log1p - 避免用
StandardScaler这类只做中心化缩放的 transformer——它不改变分布形态，对偏态 y 效果差，且反变换后仍可能负值溢出 - 如果 y 含 0 或负数，
np.log会报RuntimeWarning: invalid value encountered in log，优先用np.log1p
如何让 TransformedTargetRegressor 正确处理测试集预测？
关键在「预测路径是否闭环」：fit 时 transform y → train 模型 → predict 得到变换后 y_pred → 必须经 inverse_transform 才是最终结果。漏掉最后一步，所有评估都失效。
实操建议：
- 别手动调
model.regressor_.predict(X_test)，这跳过了反变换；始终用model.predict(X_test) - 验证是否生效：打印
model.transformer_.inverse_transform([y_pred[0]])和y_pred[0]，二者应明显不同（比如 3.2 → 24.5） - 如果自定义 transformer 报
AttributeError: 'FunctionTransformer' object has no attribute 'inverse_func'，说明初始化时没传inverse_func参数
和手动先 transform y 再 fit 模型比，有啥实际区别？
表面看只是代码写法差异，实际影响 pipeline 可维护性和部署一致性。手动 transform 容易在 predict 阶段忘记反变换，或训练/预测用的 transformer 不一致（比如 fit 时用 StandardScaler().fit(y_train)，预测时却用新实例）。
实操建议：
-
TransformedTargetRegressor把 y 变换逻辑锁死在模型内部，joblib.dump(model, ...)后，加载即用，无需额外保存 transformer - 它不改变 X，所以能无缝接入
Pipeline处理特征工程，比如Pipeline([('scaler', StandardScaler()), ('reg', TransformedTargetRegressor(...))]) - 注意：它不参与交叉验证中的参数搜索——
GridSearchCV对它的regressor__alpha能搜，但对transformer__kw_args类参数不敏感，需提前固定
什么情况下不该用 TransformedTargetRegressor？
当目标变量存在强分段结构、大量零值（如保险理赔金额）、或变换后残差仍严重异方差时，单一全局变换往往失效。这时强行套用反而降低泛化能力。
实操建议：
- 先画
plt.hist(y)和plt.scatter(y_pred, y_true - y_pred)，确认变换是否真改善了分布和残差模式 - 若 y 中 0 占比 >30%，考虑
TweedieRegressor或两阶段模型（先分类是否为 0，再回归非零值） - 对时间序列预测，
TransformedTargetRegressor不处理滞后项依赖，别指望它解决趋势/季节性——该差分还是得差分
最常被忽略的一点：TransformedTargetRegressor 的 score 方法返回的是变换后空间的 R²，不是原始 y 上的。想对比不同变换策略，必须统一在原始尺度下用 mean_squared_error(y_true, model.predict(X), squared=False) 这类指标。
