前処理の影響について
#データの理解と前処理
#アルゴリズム
table:前処理による各種ライブラリの動作可否
アルゴリズム：ライブラリ 欠損値処理 目的変数の数値変換 質的変数の数値変換 量的変数のスケール変換
決定木：DecisionTreeClassifier 必要 不要 必要 不要
ランダムフォレスト：RandomForestClassifier 必要 不要 必要 不要
XGBoost：XGBClassifier 不要 必要 必要 不要
ロジスティック回帰：LogisticRegression 必要 不要 必要 必要
サポートベクターマシン：SVC 必要 不要 必要 必要
多層パーセプトロン：MLPClassifier 必要 不要 必要 必要
前処理の影響
scikit-learnの仕様上必要な前処理
欠損値の処理をしないと動かない
目的変数の数値変換（ラベルエンコーディングなど）はしなくても動く
アルゴリズムの性質に即した前処理
決定木系モデルについて
量的変数を正規化・標準化するなどのスケール変換は不要
説明変数の分割は変数のスケールに依存しないため
欠損値の処理や質的変数の数値変換などは、理論的には不要だが、ライブラリによってはプログラム上必要（scikit-learnの場合は必要）
ランダムフォレスト、XGBoost等の決定木アンサンブル手法は決定木を集めたモデルなので、前処理についての特徴は決定木と同じ
ロジスティック回帰、サポートベクターマシン（SVM）、多層パーセプトロンは、量的変数のスケール変換（正規化・標準化など）が必要
学習の処理において、説明変数の線形結合を用いていたり、説明変数空間内での距離を求めたりするアルゴリズムでは、各次元のスケールが合っていないとうまくいかない