你好。
我的问题是，当我们在软件中使用非参数模型（例如神经网络、SVM 或朴素贝叶斯）时...软件是否默认缩放我们的数据？或者在我们使用这些模型之前，我们应该缩放我们的数字数据？
好的，但是在我的（非常长的）回答中，我确实提到了基于树的方法和朴素贝叶斯：
基于树的模型和基于概率的算法（例如朴素贝叶斯）可能不需要缩放。
基于树的方法不需要缩放，因为它们不是基于距离的算法，分割是根据在某个阈值处分割生成的数据和信息的顺序进行的，但各个值、范围或分布不会对分割结果产生影响。
朴素贝叶斯是一种基于概率的算法，它根据数据的分布计算概率，并且对数据的规模不变。
一些进一步的资源：
https://stats.stackexchange.com/questions/244507/what-algorithms-need-feature-scaling-beside-from-svm
https://www.dataschool.io/comparing-supervised-learning-algorithms/
https://forecastegy.com/posts/do-decision-trees-need-feature-scaling-or-normalization/
这个补充回答能回答您的问题吗？
是的，我读过
但你提到了(( SVM，KNN，神经网络，(线性和逻辑)回归))
我其实想了解其他型号
提升树
自举森林
决策树
朴素贝叶斯
谢谢
