您遇到的最常见类型的决策树不受任何单调变换的影响。因此，只要您保留顺序，决策树是相同的（显然在这里我理解相同的决策结构，而不是树的每个节点中每个测试的相同值）。

它发生的原因是因为通常的杂质函数是如何工作的。为了找到最佳分割，它在每个维度（属性）上搜索一个分割点，该分割点基本上是一个 if 子句，它将与测试值小于分割值的实例相对应的目标值分组，右侧的值大于等于。这发生在数字属性上（我认为这是你的情况，因为我不知道如何规范化名义属性）。现在您可能会注意到条件小于或大于。这意味着从属性中找到拆分（和整个树）的真实信息只是值的顺序。这意味着只要您以保留原始顺序的方式转换属性，您将获得相同的树。

并非所有模型都对这种转换不敏感。例如，如果将属性与非零值相乘，线性回归模型会给出相同的结果。您将得到不同的回归系数，但预测值将是相同的。当您记录该转换时，情况并非如此。因此，例如对于线性回归，归一化是没有用的，因为它会提供相同的结果。

然而，惩罚线性回归并非如此，如岭回归。在惩罚线性回归中，对系数应用约束。这个想法是将约束应用于系数函数的总和。现在，如果你夸大一个属性，系数将被缩小，这意味着最终对该系数的惩罚将被人为地修改。在这种情况下，您可以对属性进行归一化，以使每个系数都“公平”地受到约束。

希望能帮助到你