随机森林是否需要缩放或居中输入变量？

我的输入变量具有不同的尺寸。有些变量是十进制，有些则是数百。为了使数据在使用随机森林时无量纲化，对这些输入变量进行居中（减去均值）或缩放（除以标准差）是否必不可少？

没有。

随机森林基于树划分算法。

因此，在一般的回归策略中并没有类似的系数可以依赖于独立变量的单位。取而代之的是，获得分区规则的集合，基本上是给定阈值的决定，并且不应随扩展而改变。换句话说，树只在要素中看到等级。

基本上，数据的任何单调转换都根本不应该更改林（在最常见的实现中）。

同样，决策树通常对数值不稳健，有时会削弱其他算法的收敛性和精度。

总的来说，我同意Firebug，但如果您对预测变量的重要性评分感兴趣，则在标准化变量方面可能会有一些价值。RF将倾向于使用高度可变的连续预测变量，因为有更多机会分割数据。但是，解决此问题的一种更好的方法是使用对这种偏差更可靠的特定方法（即使用条件林进行采样而不进行替换）。参见https://bmcbioinformatics.biomedcentral.com/articles/10.1186/1471-2105-8-25