Чи потрібно мені нормалізувати (або масштабувати) дані для randomForest (пакет R)?

Я виконую завдання регресії - чи потрібно мені нормалізувати (або масштабувати) дані для randomForest (пакет R)? І чи потрібно масштабувати також цільові значення? І якщо - я хочу використовувати функцію масштабування з пакету caret, але я не знайшов, як повернути дані (видалити накип, денормалізувати). Ви не знаєте про якусь іншу функцію (в будь-якому пакеті), яка корисна для нормалізації / денормалізації? Дякую, Мілане

Ні, масштабування не потрібно для випадкових лісів.

• Природа ВЧ така, що проблеми збіжності та числової точності, які іноді можуть зіпсувати алгоритми, що використовуються в логістичній та лінійній регресії, а також нейронні мережі, не є настільки важливими. Через це вам не потрібно перетворювати змінні в загальний масштаб, як це можливо з NN.

• Ви не отримаєте жодного аналога коефіцієнта регресії, який вимірює взаємозв'язок між кожною змінною предиктора та реакцією. Через це вам також не потрібно роздумувати, як інтерпретувати такі коефіцієнти, на що впливають змінні шкали вимірювань.

Масштабування виконується для нормалізації даних таким чином, що пріоритет не надається певній функції. Роль масштабування в основному важлива в алгоритмах, які базуються на відстані та вимагають евклідової відстані.

Випадковий ліс є деревною моделлю, тому не вимагає масштабування функцій.

Цей алгоритм вимагає розділення, навіть якщо ви застосуєте Нормалізацію, тоді> результат буде однаковим.

Я не бачу пропозицій ні на сторінці довідки, ні у віньєтці, що передбачає, що масштабування необхідно для змінної регресії в randomForest. Цей приклад на Stats Exchange також не використовує масштабування.

Копія мого коментаря: scaleФункція не належить pkg: caret. Це частина "базового" пакету R. Існує unscaleфункція в пакетах БРТ і DMwR , які будуть повністю змінити перетворення, або ви можете просто помножити на атрибуті масштабу , а потім додати значення атрибутів центру.

Ваша концепція, чому потрібно "нормалізувати", може вимагати критичного обстеження. Перевірка ненормальності потрібна лише після того, як зроблені регресії, і може не знадобитися взагалі, якщо відсутні припущення про нормальність методології належності придатності. Отже: Чому ти запитуєш? Пошук у SO та Stats.Exchange може виявитися корисним: цитата №1 ; цитата No2 ; цитата No3

boxcoxФункція зазвичай використовується tranformation , коли один не має попередніх знань про twhat розподілу «повинен» бути і коли вам дійсно потрібно зробити tranformation. У застосуванні трансформацій є багато підводних каменів, тому той факт, що вам потрібно задати питання, викликає занепокоєння щодо того, що вам можуть знадобитися подальші консультації чи самонавчання.

Якщо ви збираєтеся додавати взаємодії до набору даних - тобто нова змінна є деякою функцією інших змінних (як правило, просте множення), і ви не відчуваєте, що означає ця нова змінна (може інтерпретувати її), тоді вам слід обчислити цю змінну, використовуючи масштабовані змінні.

Здогадайтесь, що буде в наступному прикладі? Уявіть, у вас є 20 функцій передбачення, 18 з них знаходяться в діапазоні [0; 10], а інші 2 - у діапазоні [0; 1000000] (взято з реального прикладу). Запитання1: яку важливість функції надасть Random Forest. Питання 2: що станеться з важливістю функції після масштабування 2 великих функцій?

Масштабування важливо. Полягає в тому, що Random Forest менш чутливий до масштабування, ніж інші алгоритми, і може працювати з «приблизно» масштабованими функціями.

Випадкове використання лісів за information gain / gini coefficientсвоєю суттю, на яке масштабування не вплине, на відміну від багатьох інших моделей машинного навчання, які будуть (наприклад, кластеризація k-означає, PCA тощо). Однак це могло б "безперечно" пришвидшити конвергенцію, як натякають інші відповіді