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

这篇文章详细阐述了这个主题，但主要问题是决策树基于二元决策分割特征空间，例如“这个特征是否大于这个值？”，如果你扩展你的数据，决策可能看起来不同，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，如果您更改单位（缩放的特殊情况），决策树应该以相同的方式拆分数据。假设您想使用一个人的体重来预测某人是否在 18 岁以下（作为二元分类器）。如果以克为单位给出体重，决策树可能会执行以下操作：如果体重 < 5000 克，则此人未满 18 岁。如果将单位更改为千克，决策树将执行以下操作：如果体重 < 5 千克，则人未满 18 岁。

总而言之，在任何缩放或通常任何递增的线性变换下，拆分都是等价的。