刚开始学机器学习时，我也像大部分人 一样，有个很朴素的想法：特征越多，模型能学到的信息就越多，效果自然越好。
所以每次拿到数据，我就拼命往模型里塞特征------能算出来的统计量全加上，能衍生出来的比率全拼上。
一个原本 20 列的数据集，经常被我搞到七八十列。
然后我就发现事情不太对劲了：
- 训练时间明显变长了，这我能忍
- 但模型在测试集上的表现并没有变好，有时候反而变差了
- 更离谱的是，有些模型输出的特征重要度排名，排在前面的几个特征我一看------它们之间好像说的根本就是同一件事
后来我才知道，这就是所谓的特征冗余问题。
而解决它的一个简单有效的方法，就是相关性分析。
什么是"冗余特征"？
我用一个特别直观的场景来解释。
假设你要判断一个人胖不胖，你收集了这些指标：
| 特征 | 说明 |
|---|---|
| 体重（kg） | 直接称重 |
| 体重（斤） | 就是上面那个乘以 2 |
| BMI | 由体重和身高算出来的 |
| 腰围 | 用尺子量的 |
| 鞋码 | 脚的大小 |
一眼就能看出来------"体重（kg）"和"体重（斤）"完全就是同一个信息的不同表达方式。同时把它们喂给模型，模型不会学到任何新东西，反而会被干扰。
真实场景里当然不会这么夸张，但本质是一样的。比如：
- 电商数据里"累计消费金额"和"历史订单总额"，往往是高度重合的
- 房产数据里"建筑面积"和"使用面积"，趋势几乎一致
- 用户画像里"登录次数"和"活跃天数"，很多时候强相关
这些特征单独看都有意义，但放在一起就冗余了。
如何发现"冗余特征"？
答案就是相关性 。这也是我们在机器学习训练之前消除**"冗余特征"**的实现原理。
实现的核心思想就是，如果两个特征之间高度相关，它们携带的信息大量重叠，只需保留其中一个。
而保留哪个？取决于是否提供了目标变量 y ：
- 有
y：比较两个特征各自与y的相关性，保留与目标更相关的那个 - 无
y：默认保留遍历顺序靠前的特征
根据这个原理，实现的思路也特别直接，就三步：
第一步：构建相关系数矩阵
相关系数 大家应该都见过，最常用的是 Pearson 相关系数，取值 -1 到 1：
- 接近 1 → 强正相关，你增我也增
- 接近 -1 → 强负相关，你增我减
- 接近 0 → 没啥线性关系
我们用 pandas 一行就能算出来：
python
corr_matrix = df.corr().abs() # 取绝对值，因为我们只关心"强度"假设我们有 5 个特征，算出来大概是这么一张表：
plain
体重kg 体重斤 BMI 腰围 鞋码
体重kg 1.00 1.00 0.85 0.78 0.30
体重斤 1.00 1.00 0.85 0.78 0.30
BMI 0.85 0.85 1.00 0.72 0.25
腰围 0.78 0.78 0.72 1.00 0.35
鞋码 0.30 0.30 0.25 0.35 1.00"体重kg"和"体重斤"的相关系数是 1.0------完全冗余，一眼就能看出来。
第二步：设定阈值，筛出冗余对
接下来就是设一个阈值。根据经验：
- 0.95 以上 → 几乎可以肯定是冗余，放心删
- 0.85 ~ 0.95 → 大概率冗余，需要结合业务判断
- 0.85 以下 → 一般可以保留
上面那张表里，如果阈值设 0.95，那"体重kg"和"体重斤"这一对就被揪出来了。
第三步：删谁留谁？这才是关键
找出冗余对之后，问题来了------删哪个？
这里有个很实用的策略：看谁跟目标变量（也就是你要预测的那个东西）更相关，留那个更有用的。
还是上面的例子。假设我们的目标是预测"健康状况评分"：
plain
与健康评分的相关性：
体重kg → 0.45
体重斤 → 0.45（一样的，因为它就是体重kg × 2）
BMI → 0.62
腰围 → 0.58如果"体重kg"和"体重斤"必须删一个，删哪个其实无所谓（反正信息完全一样）。
但如果两个特征的相关系数是 0.96 而不是 1.0，它们就不完全相同了，这时候保留与目标变量更相关的那个，就更有意义。
代码实现
理解了原理和思路之后，封装了一个工具类。核心逻辑是这样的：
python
class CorrelationSelector:
"""
基于相关系数的特征冗余过滤器。
"""
def __init__(self, corr_threshold: float = 0.95, corr_method: str = 'pearson'):
self.corr_threshold = corr_threshold
self.corr_method = corr_method
self.kept_features_ = None
self.dropped_features_ = None
self.redundant_pairs_ = None
self._fitted_flag = False
def fit(self, X, y=None):
# 构建绝对值相关系数矩阵
abs_corr = X.corr(method=self.corr_method).abs()
col_names = list(abs_corr.columns)
num_features = len(col_names)
pair_records = []
drop_set = set()
# 只遍历上三角，避免重复比较
for i in range(num_features):
for j in range(i + 1, num_features):
pair_corr = abs_corr.iloc[i, j]
if pair_corr <= self.corr_threshold:
continue # 没超过阈值，跳过
feat_a = col_names[i]
feat_b = col_names[j]
# 决定保留谁：看谁跟目标变量更相关
if y is not None:
corr_a = abs(X[feat_a].corr(y))
corr_b = abs(X[feat_b].corr(y))
if corr_a >= corr_b:
keep, drop = feat_a, feat_b
else:
keep, drop = feat_b, feat_a
else:
keep, drop = feat_a, feat_b
pair_records.append({
'feature_x': feat_a,
'feature_y': feat_b,
'corr_value': pair_corr,
'kept': keep,
'dropped': drop,
})
drop_set.add(drop)
self.redundant_pairs_ = pd.DataFrame(pair_records)
self.dropped_features_ = list(drop_set)
self.kept_features_ = [f for f in col_names if f not in drop_set]
self._fitted_flag = True
return self
def transform(self, X):
if not self._fitted_flag:
raise ValueError("请先调用 fit()")
return X[self.kept_features_]
def fit_transform(self, X, y=None):
self.fit(X, y)
return self.transform(X)用法非常简单，三行搞定：
python
selector = CorrelationSelector(corr_threshold=0.95)
X_clean = selector.fit_transform(X_train, y_train)
# 看看哪些特征被干掉了
print(selector.dropped_features_)完整的代码和使用方式见文末的分享链接。
注意事项
只看了 Pearson，忽略了非线性关系
Pearson 相关系数只能捕捉线性 关系。如果两个特征之间是某种曲线关系（比如二次函数），Pearson 可能算出来接近 0，但它们其实是强相关的。
我的做法： 如果对数据分布不太确定，我会换成 spearman 方法，它基于排序，能捕捉单调关系：
python
selector = CorrelationSelector(corr_threshold=0.95, corr_method='spearman')阈值设太低，把有用的特征也删了
比如把阈值设成 0.7，心想"相关性超过 0.7 就算冗余了吧"。
结果一跑，将近一半的特征被删掉了，模型效果直接崩了。
我们需要注意：相关性高不等于冗余，只有"高度到几乎可替代"的程度才算冗余。
0.8 的两个特征，各自还是有独立信息量的。
我现在一般默认用 0.95，最少也不低于 0.85。
贪心删除的"连锁反应"
这个坑比较隐蔽。假设有三个特征 A、B、C：
plain
corr(A, B) = 0.97 → 删 B
corr(B, C) = 0.96 → 删 C
corr(A, C) = 0.98 → 应该删 C，但 C 已经被删了最后只剩下 A。但如果你仔细看，A 和 C 的相关性最高（0.98），也许应该删的是 A 而保留 C。
这种"贪心策略的连锁反应"在特征特别多的时候影响更大。不过说实话，在大多数实际场景下，这个问题影响不大 ------毕竟我们的目标不是找到"最优子集"，而是去掉明显冗余的特征，让模型更干净。
如果真的很在意，可以用迭代式的方式：每次只删一个特征，然后重新计算相关矩阵，再来一轮。
但这样计算量会大不少，一般没必要。
一张热力图，胜过千言万语
在跑选择器之前，可以先画一张相关系数热力图，对数据有个直观感受：
python
import seaborn as sns
import matplotlib.pyplot as plt
corr = X_train.corr().abs()
plt.figure(figsize=(12, 10))
sns.heatmap(corr, annot=True, fmt='.2f', cmap='Reds',
square=True, linewidths=0.5)
plt.title('特征间相关性热力图')
plt.tight_layout()
plt.show()颜色越深的格子，就越是"危险区域"------大概率存在冗余。看一眼热力图，你对哪些特征需要处理就心里有数了。
总结
回过头来看，相关性特征选择这个技术真的很朴素，但越朴素的东西越容易被人忽略。
总结起来大概有这几点：
- 特征不在于多，在于精。 10 个精心挑选的特征，往往比 100 个堆砌出来的特征效果更好。
- 冗余特征不是一眼就能看出来的。 数据量一大，人脑根本处理不过来，必须靠工具。
- 阈值别太激进。 0.95 是一个比较稳妥的起点。
- 先看热力图，再跑选择器。 有个全局视角很重要。
- 这个方法不是银弹。 它只是特征选择工具箱里的一个工具，配合其他方法一起用效果最好。
文中封装的 class CorrelationSelector 和测试其使用方式的完整代码分享在网盘中：
++https://url11.ctfile.com/d/45455611-166997307-d6d609?p=6872++ (访问密码: 6872)
相关文件是：correlation_selector.py 和 test_correlation_selector.py。
我的测试结果如下：
plain
样本数: 50, 特征数: 45 (5 真实 + 50 冗余)
【全特征】 特征数 45 | RMSE: 7.76 | 耗时: 0.031s
【筛选后】 特征数 5 | RMSE: 3.12 | 耗时: 0.026s
保留的特征: ['体重_副本4', '身高_副本2', '腰围_副本4', '年龄_副本0', '鞋码_副本0']
移除的特征数: 40
冗余报告（前5条）：
feature_x feature_y corr_value kept dropped
0 体重(kg) 体重_副本1 0.988230 体重(kg) 体重_副本1
1 年龄 年龄_副本4 0.986350 年龄 年龄_副本4
2 年龄 年龄_副本5 0.985934 年龄_副本5 年龄
3 腰围(cm) 腰围_副本5 0.984395 腰围(cm) 腰围_副本5
4 鞋码 鞋码_副本4 0.984352 鞋码 鞋码_副本4消除"冗余特征"之后，RMSE 显著降低。