你好。
我的問題是，當我們在神經網路、SVM、樸素貝葉斯等軟體中使用非參數模型時，軟體是否預設縮放我們的資料？ 或者在我們使用這些模型之前，我們應該縮放我們的數值資料？
好的，但在我（很長）的回答中，我確實提到了基於樹的方法和樸素貝葉斯：
基於樹的模型和基於機率的演算法（例如樸素貝葉斯）可能不需要縮放。
基於樹的方法不需要縮放，因為它們不是基於距離的演算法，分割是根據資料的順序和在一定閾值下分割生成的資訊來完成的，但不存在單一值的影響，分割結果的範圍或分佈。
樸素貝葉斯是一種基於機率的演算法，它根據數據的分佈計算機率，並且對數據的規模不變。
一些進一步的資源：
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/
這個補充性的回答能回答您的問題嗎？
是的，我讀過
但你提到了（（ SVM、KNN、神經網路、（線性和邏輯）迴歸））
我其實想了解其他型號
提升樹
引導森林
決策樹
樸素貝葉斯
謝謝
