Делали ли обратное преобразование признаков?

Что проверяют

Работали ли вы с моделью дальше fit и predict: как вернуть прогнозы и коэффициенты в понятные бизнесу единицы и не потерять корректность. Вопрос про опыт, поэтому ждут конкретный случай. Следом почти всегда спрашивают, в какой шкале вы считали метрику.

Как отвечать

Постройте ответ вокруг своего проекта: что преобразовали и зачем, как вернули обратно, что проверили. Опорные пункты:

• инструменты: inverse_transform у StandardScaler, MinMaxScaler, PowerTransformer (Box-Cox, Yeo-Johnson), OneHotEncoder, LabelEncoder; np.expm1 после np.log1p. Для целевой переменной удобен TransformedTargetRegressor из scikit-learn: он сам преобразует y при обучении и возвращает прогноз в исходной шкале;
• смещение: если модель обучена на log(y), то exp от прогноза при симметричных ошибках оценивает медиану, а не среднее, и суммарный прогноз продаж выходит заниженным. Лечится поправкой (smearing-оценка Дуана) или обучением в исходной шкале с подходящей функцией потерь, например Tweedie или Пуассона;
• метрики: MAE и RMSE для отчёта считают после обратного преобразования, иначе цифры бизнесу ничего не говорят;
• интерпретация: коэффициент линейной модели на стандартизованном признаке переводится в исходные единицы делением на стандартное отклонение признака;
• продакшн: преобразователь обучают только на трейне и сохраняют вместе с моделью в одном Pipeline.

Цифры эффекта называйте свои: как изменились ошибка или смещение суммы. Если опыта не было, так и скажите, опишите, где бы это понадобилось, и назовите ловушку, которую знаете, чаще всего это смещение после логарифма.

Где спотыкаются

Говорят, что обратное преобразование повысило точность. Оно только возвращает шкалу, а качество меняют выбор преобразования и функция потерь.

Не знают про смещение после exp и сдают прогноз, систематически заниженный в сумме.

Заново обучают скейлер на новых данных при инференсе вместо загрузки сохранённого и получают прогнозы, сдвинутые непредсказуемо.