随机森林的构建方式对于自变量的单调变换是不变的。拆分将完全类似。如果您只是追求准确性，您将看不到任何改进。事实上，由于随机森林能够动态找到复杂的非线性（为什么称这种线性回归？）关系和变量交互，如果你转换你的自变量，你可以平滑允许这个算法做的信息这妥妥的。

有时随机森林不被视为黑盒并用于推理。例如，您可以解释它提供的变量重要性度量，或计算自变量对因变量的某种边际效应。这通常被可视化为部分依赖图。我很确定最后这件事受变量规模的影响很大，当试图从随机森林中获取更具描述性的信息时，这是一个问题。在这种情况下，它可能会帮助您转换变量（标准化），这可以使部分依赖图具有可比性。这个不是很确定，需要考虑一下。

不久前，我尝试使用随机森林预测计数数据，回归平方根和因变量的自然对数有点帮助，不多，也不足以让我保留模型。

您可以使用随机森林进行推理的一些软件包：

https://uc-r.github.io/lime

https://cran.r-project.org/web/packages/randomForestExplainer/index.html

https://pbiecek.github.io/DALEX_docs/2-2-useCaseApartmetns.html

与@JEquihua 相呼应，随机森林预测的准确性不会提高。

另请注意，如果同时保留原始预测器和转换后的预测器（线性回归中经常这样做），则可能会导致问题。这是因为 RF 随机选择变量的子集来生长每棵树，而您实际上已经将转换后的变量放入了两次。如果它是一个强预测器，它将被使用，并且您的随机森林不会像它们可能的那样不相关，从而导致更高的方差。