使用随机森林模型时何时记录/扩展变量？

我正在使用随机森林进行回归，以基于多个属性预测价格。使用Scikit-learn用Python编写代码。

在如何使用变量来拟合回归模型之前，您如何决定是否应使用exp/ 变换变量log？使用诸如随机森林之类的集成方法时是否有必要？

建立随机森林的方式对于独立变量的单调变换是不变的。拆分将完全类似。如果您只是追求准确性，您将看不到任何改进。实际上，由于随机森林能够即时找到复杂的非线性（为什么要称其为线性回归？）关系和变量相互作用，因此，如果您变换自变量，则可以使信息平滑，从而使该算法能够这个正确。

有时，随机森林不被视为黑匣子，而是用于推理。例如，您可以解释其提供的变量重要性度量，或计算自变量对因变量的某种边际影响。通常将其可视化为部分依赖图。我很确定这最后一点会受到变量规模的很大影响，这在尝试从“随机森林”中获取更具描述性的信息时是一个问题。在这种情况下，它可以帮助您转换变量（标准化），这可以使部分依赖性图具有可比性。对此不完全确定，将不得不考虑。

不久前，我尝试使用随机森林来预测计数数据，在平方根上回归，并且因变量的自然对数没有太大帮助，也不足以让我保留模型。

您可以在其中使用随机森林进行推断的一些软件包：

https://uc-r.github.io/lime

https://cran.r-project.org/web/packages/randomForestExplainer/index.html

https://pbiecek.github.io/DALEX_docs/2-2-useCaseApartmetns.html

与@JEquihua相呼应，Random Forest的预测准确性不会提高。

另请注意，如果同时保留原始预测变量和转换后的预测变量（通常在线性回归中执行），则可能会引起问题。这是因为RF随机选择变量的子集来生长每棵树，并且您实际上已将转换后的变量放入两次。如果它是一个强大的预测指标，它将被使用，并且您的随机森林不会像以前那样不相关，从而导致更高的方差。