待验证50% 置信事实精确时间
决策树及其集成版本（随机森林、XGBoost）对特征缩放不敏感，不需要像SVM或神经网络那样进行标准化预处理
1
来源数
50%
置信度
长期有效
时效性
2026/8/24
首次发现
来源
涉及实体
相关事实
待验证该SWD特征变换实验在决策树上表现良好，但在逻辑回归、SVM、KNN等算法上效果糟糕66% 相似待验证决策树使用沿坐标轴的轴对齐分割，对特征的单调变换和局部拉伸不敏感，因此对保持类别排序的变换具有天然不变性63% 相似待验证当数据包含大量高基数类别特征时，基于距离的算法（如K-means、KNN）表现不佳，基于树的模型（如随机森林、梯度提升树）通常更稳妥61% 相似待验证Unsupervised learning does not rely on labels and attempts to discover inherent structure in data, such as clustering and dimensionality reduction.57% 相似待验证scikit-learn 0.22 将决策树的默认分裂标准从 'mse' 更名为 'squared_error'56% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/793942API
curl https://kongchang.com/api/v1/knowledge/claims/793942MCP
get_claim(id=793942)