什么情况下需要将特征以及label转换为正态分布？

1.不同的模型有不同的要求。一般①线性回归模型需要对预测变量、噪声满足正态分布，②LDA 模型。

2.在线性回归模型中，特征和目标变量，特别是目标变量的正态化，能有效降低模型的RMSE或RMSLE值（换言之，更准确）。经验上，一般将偏态skew的绝对值大于0.75的特征和目标变量进行正态化处理（这部分可以使用取对数log、boxcox转换实现）。

3.线形回归的基本假设之一就是随机项服从或近似服从正态分布，进行正态性检验就是看看数据适合不适合做回归。另外，在深度学习模型中，正态化的数据也能一定程度上加快模型学习率。