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?
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