对于某些模型，多重共线性不会成为问题。例如随机森林或决策树。例如，如果我们有两个相同的列，决策树/随机森林将在每次拆分时自动“删除”一列。而且该模型仍然可以正常工作。

此外，正则化是一种“修复”多重共线性问题的方法。我的回答Logistic regression 的正则化方法提供了详细信息。

迟到了，但无论如何这是我的答案，它是“是”，无论模型/方法是否线性，或者主要任务是预测或分类，都应该始终关注共线性。

假设数据集中存在许多线性相关的协变量/特征，并将随机森林作为方法。显然，每个节点的随机选择可能只选择（或大部分）共线特征，这可能/将导致分裂不良，并且这种情况可能反复发生，从而对性能产生负面影响。

现在，与其他（非共线）特征相比，共线特征对结果的信息量可能更少，因此无论如何都应该考虑从特征集中消除它们。但是，假设这些特征在 RF 生成的“特征重要性”列表中排名靠前。因此，它们将保留在数据集中，不必要地增加了维度。因此，在实践中，我总是作为探索性步骤（在许多相关中）检查特征的成对关联，包括线性相关。

1. 是否还应该担心多重共线性？为什么？

如果非线性模型是基于树的模型，那么您不应该认为它很严重。不同的树模型会有不同的处理方法，例如随机森林会保留它们（因为它们独立构建树，并为每棵树随机选择特征），但它对预测性能没有影响，即使你删除了多余的一个。但是对于 xgboost，它会选择其中的任何一个，并使用它直到最后一个树构建。

2. 如果上述答案是正确的，考虑到使用这些类型的非线性模型，应该如何应对？

只是解释意义，所以建议去掉高度相关的变量。

多重共线性总是一个可能的问题。模型中作为预测变量的变量在线性相关时（即存在共线性时）将影响预测。