Answers:
您遇到的最常见的决策树类型不受任何单调变换的影响。因此，只要保留orde，决策树都是相同的（显然，在同一棵树上，我理解的是相同的决策结构，而不是树中每个节点中每个测试的值都相同）。
发生这种情况的原因是因为通常的杂质功能是如何工作的。为了找到最佳分割，它会在每个维度（属性）上搜索一个分割点，该分割点基本上是一个if子句，该子句将目标值与测试值小于分割值的实例相对应，而右侧的值大于等于。数值属性会发生这种情况（我认为是您的情况，因为我不知道如何规范化名义属性）。现在您可能会注意到条件小于或大于。这意味着从属性中找到拆分（和整棵树）的实际信息只是值的顺序。这意味着，只要以保留原始顺序的方式转换属性，就会得到同一棵树。
并非所有模型都对这种转换不敏感。例如，如果将一个属性乘以非零的值，则线性回归模型将得出相同的结果。您将获得不同的回归系数，但预测值将相同。当您记录该转换的日志时，情况并非如此。因此，例如对于线性回归，归一化是无用的，因为它将提供相同的结果。
但是，惩罚线性回归（如岭回归）不是这种情况。在惩罚线性回归中，将约束应用于系数。这个想法是将约束应用于系数函数的总和。现在，如果您为一个属性充气，系数将被缩小，这意味着最后对该系数的惩罚将被人为修改。在这种情况下，您可以对属性进行规范化，以使每个系数都得到“公平”的约束。
希望能帮助到你