在選擇機器學(xué)習(xí)算法時，特征的歸一化處理是一個重要考慮因素。以下是對這些算法在歸一化處理需求方面的分析：

- **A: 隨機森林**
隨機森林是基于樹的算法，它在劃分?jǐn)?shù)據(jù)的時候是通過比較特征值之間的相對大小而非絕對大小進行的。因此，隨機森林不需要對特征進行歸一化處理。

- **B: 邏輯回歸**
邏輯回歸是基于線性模型的算法，參數(shù)求解過程中涉及梯度下降優(yōu)化，因此對特征進行歸一化是有利的。歸一化有助于加快收斂速度和提高模型穩(wěn)定性。

- **C: SVM（支持向量機）**
SVM是一種基于距離的模型，特別是使用RBF核（徑向基核）等時，特征的尺度會顯著影響模型性能。因此，特征歸一化對于SVM來說是非常重要的。

- **D: GBDT（梯度提升決策樹）**
GBDT同樣是基于樹的模型，與隨機森林類似，其分類或回歸過程主要依賴特征的分割而不是值的大小。因此，GBDT也不需要對特征進行歸一化處理。

### 結(jié)論

根據(jù)以上分析，以下兩種算法可以不對特征做歸一化處理：
- A: 隨機森林
- D: GBDT

因此，正確答案是：A和D。