本文回顾了神经网络系列文章内容，包括感知机、MLP、CNN和RNN的基础知识。重点解析了LSTM网络的结构特点及其优势：通过输入门、遗忘门和输出门的门控机制，有效解决了传统RNN的梯度消失问题，能够学习长序列中的长期依赖关系。文章详细列举了LSTM在自然语言处理、语音识别、时间序列预测等领域的应用场景，并通过公式展示了LSTM的代数表达形式，强调其通过细胞状态实现长期记忆的独特机制。

当我们做回归建模时，目标变量（被预测的指标，比如房价 SalePrice）不符合正态分布时，通常会选择 对数化（log transform），原因主要有以下几个方面：很多现实中的数值（房价、收入、销售额、人口规模等）往往是 右偏分布（long tail）：大多数值比较小少数值特别大（“豪宅”、“超级富豪”、“爆款商品”）右偏分布不利于建模，因为模型容易受极端值（outliers）的影响。对数化之后

House Prices – Advanced Regression Techniques：这是 Kaggle 上颇受欢迎的经典回归竞赛，挑战你使用高级回归技术（如随机森林、梯度提升树等）来预测房价和练习特征工程。你可以访问该竞赛的概览页面（https://www.kaggle.com/competitions/house-prices-advanced-regression-techniques