删除相互关联的特征背后的想法是，通过增加观察中每个特征的独立性，可以创建更好的模型。还有另一个线程更详细地说明了这里的原因。

但是，您问题的奇怪部分是您正在比较因变量和自变量之间的相关性。这种类型的比较通常在构建模型之后进行，以防止评估模型的预测强度。在此之前将目标标签（您希望预测的标签）与其他变量进行比较还为时过早，并且可能会削弱您的模型。

在测试相关特征时，最好先删除目标标签，然后再检查相关性并确定要删除的标签（如果有）。然后，如果您想进一步删除特征，您可以对数据执行主成分分析。从那里您可以通过逻辑回归模型运行数据，并从那里选择最重要的特征，就像这里提到的那样。

与目标变量相关的特征是帮助您预测目标的特征。

不，不要删除那些！

特征选择出人意料地充满了问题，但是从预测模型中删除一个变量，因为它与结果有明显的关系，这似乎是一种特别糟糕的方法。