井相关性，即皮尔逊系数，是为连续数据建立的。因此，当应用于二进制/分类数据时，您将获得不必正确和/或精确的关系度量。

关于这个主题的统计交换有很多答案——例如这个或这个。

这取决于。假设您有许多特征，比如 20 个，用于二元分类任务。在这 20 个特征中，某些特征可能是高度相关的。这可能会在您的特征空间中引入某种冗余特征，因此您可能会开始弄清楚要删除哪些特征并仍然取得良好的结果。

在某些情况下，该任务仍然是一个二元分类任务，并且没有一个特征可能是相关的，在这种情况下，您希望合并所有特征来训练您的模型和进行预测。

如果您使用 Python，那么为了找出哪些特征相关以及相关程度如何，使用 pandas 绘制散点矩阵总是有用的，它显示每个特征如何与其他特征相关。通过在 seaborn 库提供的“热图”上绘制特征，可以更清楚地查看相同的内容。