Meine Eingabevariablen haben unterschiedliche Dimensionen. Einige Variablen sind dezimal, andere hunderte. Müssen diese Eingabevariablen unbedingt zentriert (subtrahiert den Mittelwert) oder skaliert (dividiert durch die Standardabweichung) werden, damit die Daten bei Verwendung einer Zufallsgesamtstruktur dimensionslos werden?
Antworten:
Nein.
Zufällige Wälder basieren auf Baumpartitionierungsalgorithmen.
Als solches gibt es kein Analogon zu einem Koeffizienten, den man in allgemeinen Regressionsstrategien erhält, die von den Einheiten der unabhängigen Variablen abhängen würden. Stattdessen erhält man eine Sammlung von Partitionsregeln, im Grunde genommen eine Entscheidung mit einem bestimmten Schwellenwert, und dies sollte sich mit der Skalierung nicht ändern. Mit anderen Worten, die Bäume sehen nur Ränge in den Merkmalen.
Grundsätzlich sollte keine monotone Transformation Ihrer Daten die Gesamtstruktur ändern (in den gängigsten Implementierungen).
Außerdem sind Entscheidungsbäume normalerweise robust gegenüber numerischen Instabilitäten, die manchmal die Konvergenz und Präzision in anderen Algorithmen beeinträchtigen.
Insgesamt bin ich mit Firebug einverstanden, aber es könnte von Nutzen sein, Ihre Variablen zu standardisieren, wenn Sie an Wichtigkeitswerten für die Vorhersage interessiert sind. RF tendiert dazu, sehr variable kontinuierliche Prädiktoren zu bevorzugen, da es mehr Möglichkeiten gibt, die Daten zu partitionieren. Ein besserer Weg, um mit diesem Problem umzugehen, besteht jedoch darin, bestimmte Ansätze zu verwenden (dh Probenahme ohne Ersetzung unter Verwendung von bedingten Gesamtstrukturen), die dieser Tendenz besser gewachsen sind. Siehe https://bmcbioinformatics.biomedcentral.com/articles/10.1186/1471-2105-8-25