咱先直接给结论：这种做法不完全靠谱，忽略特征间的相互关系（比如酸和pH值的强相关性）会给后续的预测模型埋下不少坑，具体来说有这些问题：

核心问题：共线性带来的模型隐患 #

• 模型稳定性大打折扣：比如用线性回归的时候，如果两个高度相关的特征（比如酸和pH）都被选进模型，会导致系数估计的方差急剧变大。简单说就是，数据稍微有点波动，模型给出的系数就会大变样，预测结果根本不稳——甚至可能出现“酸含量越高，红酒质量得分反而越高”这种和常识矛盾的结论，因为模型被共线性干扰得乱套了。
• 信息冗余，做无用功：高度相关的特征本质上带的是重复信息，同时放进模型不仅不会提升预测能力，反而会增加模型的复杂度，既提高了计算成本，还容易触发过拟合，让模型在训练集表现好，一到测试集就拉胯。
• 错过潜在的有用特征组合：有些特征单独看和目标的相关性不强，但和其他特征搭配起来就能很好地预测红酒质量。只看单变量相关性的话，直接就把这类特征扔了，白白浪费了提升模型性能的机会。

怎么修正这种筛选方式？ #

给你几个实用的改进方向：

• 先做特征间的相关性排查：计算所有特征的相关系数矩阵（比如皮尔逊相关系数），把高度相关的特征组（比如相关系数绝对值>0.7的）里，只保留一个最有物理意义或者和目标相关性最强的特征。比如酸和pH二选一，就留和quality相关性更高的那个。
• 用正则化模型自动做特征选择：比如L1正则化的Lasso回归，它会自动把不重要或者高度相关的特征系数压缩到0，相当于同时完成了特征筛选和共线性处理，省心又靠谱。
• 用基于模型的特征选择方法：比如随机森林的特征重要性评分，或者递归特征消除（RFE），这些方法会考虑特征之间的相互作用，能选出真正对模型预测有帮助的特征组合，比单变量筛选要全面得多。

最后补一句 #

如果只是想快速搭个 baseline 试试水，单变量相关性筛选勉强能用；但如果要做一个稳健、性能好的预测模型，必须把特征间的相互关系考虑进去，不然模型的可靠性真的没保障。

内容的提问来源于stack exchange，提问作者Yicong Zhao