जिस तरह से रैंडम फ़ॉरेस्ट का निर्माण किया जाता है वह स्वतंत्र चर के मोनोटोनिक परिवर्तनों के लिए अपरिवर्तनीय है। विभाजन पूरी तरह से अनुरूप होंगे। यदि आप सटीकता के लिए लक्ष्य बना रहे हैं तो आपको इसमें कोई सुधार नहीं दिखेगा। वास्तव में, चूंकि यादृच्छिक वन जटिल गैर-रेखीय खोजने में सक्षम हैं (आप इस रैखिक प्रतिगमन को क्यों कह रहे हैं?) मक्खी पर संबंध और चर बातचीत, यदि आप अपने स्वतंत्र चर को बदलते हैं तो आप उस जानकारी को सुचारू कर सकते हैं जो इस एल्गोरिथम को करने की अनुमति देती है यह ठीक से
कभी-कभी रैंडम फ़ॉरेस्ट को ब्लैक बॉक्स के रूप में नहीं माना जाता है और इसका उपयोग अनुमान के लिए किया जाता है। उदाहरण के लिए, आप चर महत्व के उपायों की व्याख्या कर सकते हैं जो यह प्रदान करता है, या आपके आश्रित चर पर आपके स्वतंत्र चर के कुछ प्रकार के सीमांत प्रभावों की गणना करता है। यह आमतौर पर आंशिक निर्भरता भूखंडों के रूप में कल्पना की जाती है। मुझे पूरा यकीन है कि यह आखिरी चीज चर के पैमाने से अत्यधिक प्रभावित है, जो एक समस्या है जब रैंडम फॉरेस्ट से अधिक वर्णनात्मक प्रकृति की जानकारी प्राप्त करने की कोशिश की जाती है। इस मामले में यह आपको अपने चर (मानकीकृत) को बदलने में मदद कर सकता है, जो आंशिक निर्भरता भूखंडों को तुलनीय बना सकता है। इस पर पूरी तरह से यकीन नहीं है, इस पर सोचना होगा।
बहुत समय पहले मैंने रैंडम फ़ॉरेस्ट का उपयोग करके गिनती डेटा की भविष्यवाणी करने की कोशिश की थी, जो वर्गमूल पर निर्भर था और आश्रित चर के प्राकृतिक लॉग ने थोड़ा बहुत मदद की, और मुझे मॉडल रखने के लिए पर्याप्त नहीं।
कुछ संकुल जहाँ आप बेतरतीब जंगलों का उपयोग कर सकते हैं:
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