问GBM方法的性能是否得益于特征缩放？

EN

缩放不会影响任何基于树的方法的性能，对于lightgbm、xgboost、catboost甚至决策树都不会影响。

这个职位详细阐述了这个主题，但主要问题是决策树基于二进制决策将特征空间分割开来，比如“此功能是否大于此值？”，如果您缩放数据，决策看起来可能会有所不同，因为它们是在缩放空间上完成的，但结果应该是相同的。

例如，如果您更改单元(特定的缩放情况)，决策树应该以相同的方式拆分数据。假设您希望使用一个人的权重来预测某人是否在18岁以下(作为二进制分类器)。如果以克为单位，决策树可能会做这样的事情:如果体重< 5000克，那么这个人就是18岁以下的人。如果你把这个单位改为公斤，决策树就会这样做:如果重量<5公斤，那么这个人就在18岁以下。

总之，在任何尺度下，或一般情况下，任何增加的线性变换下，分裂都是等价的。