Minhas variáveis de entrada têm dimensões diferentes. Algumas variáveis são decimais, enquanto outras são centenas. É essencial centralizar (subtrair média) ou escalar (dividir por desvio padrão) essas variáveis de entrada para tornar os dados sem dimensão ao usar floresta aleatória?
Respostas:
Não.
As florestas aleatórias são baseadas em algoritmos de particionamento em árvore.
Como tal, não há análogo ao coeficiente obtido nas estratégias gerais de regressão, o que dependeria das unidades das variáveis independentes. Em vez disso, é possível obter uma coleção de regras de partição, basicamente uma decisão com um limite, e isso não deve mudar com o dimensionamento. Em outras palavras, as árvores só veem classificações nos recursos.
Basicamente, qualquer transformação monotônica de seus dados não deve alterar a floresta (nas implementações mais comuns).
Além disso, as árvores de decisão geralmente são robustas para instabilidades numéricas que às vezes prejudicam a convergência e a precisão em outros algoritmos.
No geral, concordo com o Firebug, mas pode haver algum valor na padronização de suas variáveis se você estiver interessado em pontuações de importância do preditor. A RF tenderá a favorecer preditores contínuos altamente variáveis, porque há mais oportunidades de particionar os dados. Uma maneira melhor de lidar com esse problema, no entanto, é usar abordagens específicas (isto é, amostragem sem substituição usando florestas condicionais) que são mais robustas a esse viés. Consulte https://bmcbioinformatics.biomedcentral.com/articles/10.1186/1471-2105-8-25