Leo Breiman 写道，“维度可以是一种祝福”。一般来说，随机森林可以毫无问题地在大型数据集上运行。你的数据有多大？不同的领域根据主题知识以不同的方式处理事情。例如，在基因表达研究中，基因通常在有时称为非特异性过滤的过程中基于低方差（不查看结果）被丢弃。这可以帮助随机森林的运行时间。但这不是必需的。

以基因表达为例，有时分析师使用 PCA 分数来表示基因表达测量。这个想法是用一个可能不那么混乱的分数来替换相似的配置文件。随机森林可以在原始变量或 PCA 分数（变量的替代）上运行。有些人用这种方法报告了更好的结果，但据我所知没有很好的比较。

总之，在运行 RF 之前无需进行 PCA。但是你可以。解释可能会根据您的目标而改变。如果你想做的只是预测，那么解释可能就不那么重要了。

由于我认为现有的答案不完整，因此我想为此添加两分钱。

由于我在下图中说明的一个特殊原因，在训练随机森林（或 LightGBM，或任何其他基于决策树的方法）之前执行 PCA 可能特别有用。

基本上，通过将训练集沿方差最大的方向对齐，它可以使找到完美决策边界的过程变得更加容易。

决策树对数据的旋转很敏感，因为它们创建的决策边界总是垂直/水平的（即垂直于轴之一）。因此，如果您的数据看起来像左图，则需要一棵更大的树来分隔这两个集群（在本例中，它是一个 8 层树）。但是，如果您将数据沿其主要组件对齐（如右图所示），您只需一层即可实现完美分离！

当然，并不是所有的数据集都是这样分布的，所以 PCA 可能并不总是有帮助，但尝试一下看看是否有用仍然很有用。提醒一下，在执行 PCA 之前，不要忘记将数据集标准化为单位方差！

PS：至于降维，我同意其他人的观点，因为随机森林的问题通常不像其他算法那么大。但是，它可能有助于加快你的训练速度。决策树训练时间为 O(n m log(m))，其中 n 是训练实例数，m - 维数。尽管随机森林会为每棵要训练的树随机选择一个维度子集，但您选择的维度总数中的比例越低，您需要训练的树就越多以达到良好的性能。

随机森林之前的 PCA 可能对降维有用，但可以为您的数据提供随机森林可以更好地执行的形状。

我很确定，一般来说，如果您使用 PCA 转换数据，保持原始数据的相同维度，您将使用随机森林进行更好的分类

我认为这里的另一个重要观察是参数 m_try 的作用，它表示尝试拆分每棵树的方向数。在那里，RF 模型本质上是在进行自动特征工程，如果仔细选择，应该不需要降维。当然，如果不相关的特征数量巨大，则 m_try 应该优化到一个较高的值，从而增加计算成本。

我不清楚的是，如果优化 RF 的参数，例如使用 mtry 方向，我们可以消除 100% 降维的需要。