TransformedTargetRegressor是scikit-learn中用于自动对目标变量y进行可逆变换与还原的回归封装器，适用于y严重右偏（如房价、收入）且残差非正态时，避免手动变换导致的量纲错误和部署遗漏。
TransformedTargetRegressor 是什么，什么时候该用它
TransformedTargetRegressor 不是万能的预处理器，它只在目标变量（y）本身需要变换、且你希望模型内部自动处理“预测后逆变换”时才值得用。典型场景是 y 呈严重右偏分布（比如房价、收入、响应时间），直接拟合线性模型效果差，但你又不想手动写 fit/predict 两层包装。
它本质是把一个回归器（如 LinearRegression）和一个转换器（如 PowerTransformer 或 StandardScaler）绑在一起：训练时先对 y 变换再拟合模型，预测时自动对模型输出做逆变换。关键点在于——它只变换 y，不碰 X；X 的预处理得你自己另外做。
怎么初始化，哪些参数不能乱设
TransformedTargetRegressor 初始化时必须传 regressor，否则报错 ValueError: regressor is required。常见错误是漏掉这个参数，或者传了 None。
func 和 inverse_func 是可选的，但一旦指定就必须成对出现，且要保证数值稳定。例如用 np.log1p 作 func，就得配 np.expm1 作 inverse_func；若用 lambda x: x <strong> 0.5</strong>，逆函数就得写 lambda x: x 2，不能只写 np.sqrt——那是正向函数。
立即学习“Python免费学习笔记（深入）”；
更推荐用 transformer 参数传一个已拟合或未拟合的转换器（如 PowerTransformer），它会自动处理 fit/transform/inverse_transform 的调用时机，比手写函数安全得多。
fit 和 predict 时的实际行为，和手动处理的区别
调用 fit(X, y) 时：
-
y先被transformer（或func）变换，得到y_trans - 内部
regressor用X和y_trans拟合 -
transformer也会在此时调用fit(y.reshape(-1, 1))（如果是PowerTransformer这类需要拟合的）
调用 predict(X) 时：
- 先用内部
regressor得到y_pred_trans - 再用
transformer.inverse_transform(y_pred_trans.reshape(-1, 1))还原为原始尺度
注意：如果你用的是 StandardScaler，它对 y 的缩放会影响回归器的系数解释性，但不会影响最终预测值；而 PowerTransformer 这类非线性变换会让残差分布更接近正态，可能提升线性模型表现，但 inverse_transform 在极小/极大预测值处容易数值溢出。
容易忽略的兼容性与调试坑
TransformedTargetRegressor 不支持 sample_weight 透传给内部 regressor（除非你用的 regressor 显式支持，且你手动覆写 fit 方法）。很多用户卡在加权回归失败，其实是因为权重没进到内层模型。
另一个隐蔽问题是：如果 transformer 在 fit 阶段因 y 含缺失值或全零而失败，错误信息里往往不提 transformer，只报 ValueError: Input contains NaN 或类似，需检查 y 是否 clean。
最后一点：它不改变模型本身的可解释性接口。比如你用 LinearRegression 作为 regressor，coef<em></em> 和 intercept 对应的是变换后的 y 空间，不是原始 y —— 别拿它们直接解释原始业务含义。
有些场景下，硬套 TransformedTargetRegressor 反而让 pipeline 更难 debug，尤其当你要做特征重要性分析或 residual 分析时，记得先确认你真正需要的是“自动逆变换”，而不是更灵活的手动两步流程。
