您的问题的答案取决于您计划使用的相似度/距离函数（在 SVM 中）。如果它是简单的（未加权的）欧几里得距离，那么如果您不对数据进行规范化，那么您会在不知不觉中赋予某些特征比其他特征更重要的特征。

例如，如果您的第一个维度的范围为 0-10，第二个维度的范围为 0-1，则第一个维度中 1 的差异（仅为范围的十分之一）在距离计算中的贡献与两个截然不同的值一样多第二个维度（0 和 1）。因此，通过这样做，您夸大了第一维的微小差异。您当然可以提出自定义距离函数或通过专家的估计来加权您的尺寸，但这将导致许多可调参数取决于您的数据的维度。在这种情况下，规范化是一条更简单的路径（尽管不一定是理想的），因为您至少可以开始。

最后，仍然对于 SVM，您可以做的另一件事是提出相似函数而不是距离函数，并将其作为内核插入（从技术上讲，此函数必须生成正定矩阵）。这个函数可以以任何你喜欢的方式构建，并且可以考虑到特征范围的差异。

另一方面，对于随机森林，由于从未将一个特征与其他特征进行量级比较，因此范围无关紧要。它只是在每个阶段拆分的一个功能的范围。

随机森林对单个特征的单调变换是不变的。平移或按特征缩放不会改变随机森林的任何内容。如果您的功能具有大致相同的量级，SVM 可能会做得更好，除非您先验地知道某些功能比其他功能更重要，在这种情况下，它可以具有更大的量级。