找到答案，看到讲解发生的那一刻，再顺着概念继续探索。
正在理解你的问题，下面的搜索结果可先查看。
基于树的模型不需要特征缩放，因为它们根据特征条件（阈值）而不是绝对量级来分割数据。特征值的单调重缩放不会改变分支结构或分裂的顺序。
适用条件：模型是决策树或树的集成（随机森林、XGBoost 等）。；分裂逻辑基于将特征值与阈值进行比较。
基于树的模型不需要特征缩放，因为它们根据特征条件（阈值）而不是绝对量级来分割数据。特征值的单调重缩放不会改变分支结构或分裂的顺序。
适用条件：模型是决策树或树的集成（随机森林、XGBoost 等）。；分裂逻辑基于将特征值与阈值进行比较。
需要特征缩放是因为原始特征通常在单位和量级上有所不同，使它们不可比较。缩放将它们带到共同的尺度上，这对于许多机器学习算法正常工作是必要的。
适用条件：数据集包含具有不同单位或范围的多个特征。；模型对特征量级敏感（例如，基于距离或梯度的模型）。
需要特征缩放是因为原始特征通常在单位和量级上有所不同，使它们不可比较。缩放将它们带到共同的尺度上，这对于许多机器学习算法正常工作是必要的。
适用条件：数据集包含具有不同单位或范围的多个特征。；模型对特征量级敏感（例如，基于距离或梯度的模型）。
对于依赖欧几里得距离或基于梯度的优化的算法，应使用特征缩放，例如 KNN、K-means、线性回归、逻辑回归和神经网络。对于基于树的模型，如决策树、随机森林和 XGBoost，通常不需要缩放。
适用条件：模型使用对特征尺度敏感的度量或迭代优化。；模型不是基于树或树的集成。
对于依赖欧几里得距离或基于梯度的优化的算法，应使用特征缩放，例如 KNN、K-means、线性回归、逻辑回归和神经网络。对于基于树的模型，如决策树、随机森林和 XGBoost，通常不需要缩放。
适用条件：模型使用对特征尺度敏感的度量或迭代优化。；模型不是基于树或树的集成。