对连续变量执行某种类型的缩放实际上是一种好习惯。box-cox 变换（或正变量）或​​ yeo-johnson 变换（适应 box-cox 变换）属于scikit-learn中实现的功率变换类。

我看一下实现，你会看到你应用的日志转换是 box-cox 的一个特例。

梯度提升包括一个优化步骤，该步骤将依赖于计算损失函数的梯度。ML 中一个反复出现的主题是，当数据具有高数量级时，梯度下降如何更难找到最佳解决方案。本质上，信息以高数量级存在，但优化空间是“拉伸的”——如果你愿意，缩放数据会使一切更接近（这是对所发生情况的一个非常粗略的解释）。

因此，本质上，您在通过转换数据以获得更好的模型来充分利用数据方面做得很好。

这实际上是一个很好的案例，因为您经常听到在使用决策树时不应该缩放数据，而这意味着特征。当使用决策树模型进行回归时，您绝对应该考虑缩放目标。