Un científico de datos inspecciona una característica y encuentra que la moda de la distribución es < la mediana < la media. ¿Qué transformación es la más apropiada para transformar estos datos de modo que se pueda aplicar un modelo de regresión lineal?

Cuando la moda es menor que la mediana, y la mediana es menor que la media (moda < mediana < media), la distribución de los datos está sesgada positivamente (sesgada a la derecha). El sesgo positivo significa que hay una cola larga hacia los valores más altos. Los modelos de regresión lineal asumen que los residuos están distribuidos normalmente, lo que a menudo requiere que las características de entrada también lo estén o al menos no estén fuertamente sesgadas. Una transformación logarítmica es muy efectiva para reducir el sesgo positivo en los datos, comprimiendo los valores grandes y expandiendo los valores pequeños, lo que ayuda a que la distribución se acerque a una forma más simétrica o normal. Las transformaciones exponenciales o polinómicas generalmente no son adecuadas para corregir el sesgo positivo de esta manera, y las transformaciones sinusoidales se usan para datos cíclicos, no para corregir el sesgo de una distribución.