Мои входные переменные имеют разные размеры. Некоторые переменные являются десятичными, а некоторые - сотнями. Необходимо ли центрировать (вычитать среднее) или масштабировать (делить на стандартное отклонение) эти входные переменные, чтобы сделать данные безразмерными при использовании случайного леса?
Нет.
Случайные леса основаны на алгоритмах разбиения деревьев.
Таким образом, в общих стратегиях регрессии не существует аналога коэффициента, который можно получить, который будет зависеть от единиц независимых переменных. Вместо этого можно получить набор правил разбиения, в основном это решение с заданным порогом, и это не должно меняться при масштабировании. Другими словами, деревья видят только ранги в функциях.
По сути, любое монотонное преобразование ваших данных вообще не должно изменять лес (в самых распространенных реализациях).
Кроме того, деревья решений обычно устойчивы к числовой нестабильности, которая иногда ухудшает сходимость и точность в других алгоритмах.
В целом я согласен с Firebug, но может быть некоторая ценность в стандартизации ваших переменных, если вы заинтересованы в показателях важности предикторов. RF будет иметь тенденцию отдавать предпочтение непрерывным предикторам с высокой вариабельностью, поскольку существует больше возможностей для разделения данных. Однако лучшим способом решения этой проблемы является использование конкретных подходов (то есть выборки без замены с использованием условных лесов), которые более устойчивы к этому смещению. См. Https://bmcbioinformatics.biomedcentral.com/articles/10.1186/1471-2105-8-25.