Hola.
Mi pregunta es cuando usamos modelos no paramétricos en software como redes neuronales o SVM o Naive Bayes o... ¿el software escala nuestros datos de forma predeterminada? ¿O antes de usar estos modelos deberíamos escalar nuestros datos numéricos?
Vale, pero en mi (muy larga) respuesta mencioné los métodos basados en árboles y Naive Bayes:
Los modelos basados en árboles y los algoritmos basados en probabilidad como Naive Bayes pueden no requerir escalamiento.
Los métodos basados en árboles no requieren escalamiento ya que no son algoritmos basados en la distancia, las divisiones se realizan en función del orden de los datos y la información generada al dividir en un cierto umbral, pero no hay influencias de los valores individuales, rangos o distribuciones en los resultados de la división.
Naive Bayes es un algoritmo basado en probabilidad, calcula probabilidades a partir de la distribución de los datos y es invariante a la escala de los datos.
Algunos recursos adicionales:
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/
¿Esta respuesta complementaria responde a tu pregunta?
Sí, lo leí
pero mencionas (( SVM, KNN, redes neuronales, regresión (lineal y logística)))
En realidad quiero saber sobre otros modelos.
árbol potenciado
bosque de arranque
árbol de decisiones
Bayes ingenuo
gracias
