因此，我从数据集的特征相关性中绘制了一个配对图/热图，并查看了一组具有零相关性的特征：
.python中的参考代码片段如下：
corr = df.corr()
sns.heatmap(corr) # Visually see how each feature is correlate with other (incl. the target)
我可以放弃这些功能以提高分类问题的准确性吗？
如果您使用的是简单的线性分类器，例如逻辑回归，那么可以。那是因为您的绘图为您提供了模型如何利用数据的直接可视化。
一旦你开始使用非线性分类器，它可以结合学习模型中的特征，那么它就不是那么简单了。您的绘图不能排除此类模型可能能够利用的复杂关系。通常，唯一的方法是在有和没有特征的情况下训练和测试模型（使用某种形式的交叉验证）。
绘图可能在视觉上显示具有零线性相关性的强非线性关系 - 例如，特征与目标的完整钟形曲线将具有接近于零的线性相关性，但表明正在发生一些有趣的事情，这将在预测模型中有用。如果您看到这样的图，您可以尝试通过一些特征工程将它们变成线性关系，或者您可以将其视为您应该使用非线性模型的证据。
一般来说，无论这些特征是否是派生特征，这个建议都适用。对于线性模型，与目标完全不相关的派生特征仍然没有用。对于非线性模型而言，派生特征可能更容易学习，也可能不容易学习，您无法从旨在帮助您找到线性关系的绘图中轻松分辨。
这些不相关的特征对于与其他非目标特征相关的目标可能很重要。因此，删除它们可能不是一个好主意，特别是如果您的模型很复杂。
删除它们之间高度相关的非目标特征之一可能是个好主意，因为它们可能是多余的。
尽管如此，使用像 PCA 这样的特征减少技术可能会更好，因为 PCA 最大化方差，而不是删除整个特征，而是将其包含在主成分中。
在序数或二元特征的情况下，相关性不会告诉你很多。所以我想，如果一个特征与目标不相关，测试一个特征是否重要的最好方法是直接比较有和没有这个特征的模型的性能。但是对于不同的算法，不同的特征可能具有不同的重要性。
如果我很了解您，您会问是否可以删除具有零相关性的特征：
这是两种不同的情况：
1.我们通常建议删除它们之间具有相关性的特征（稳定模型）。如果它们是零相关的，你不能在这里得出结论。这是通过训练您的模型，您将看到该功能是否值得。
Don't drop those ones.
2.如果一个特征与你的标签密切相关，这意味着一个线性函数（或模型）应该能够很好地预测后者。即使它不相关，它也不会告诉您非线性模型使用此功能不会表现良好。
Don't drop this one either !
我希望我回答了你的问题。