谁能用简单的话解释一下机器学习数据处理中的多重共线性术语。由于该术语在数据处理方面非常重要并且具有令人困惑的解释。
所以，请用简单的话解释一下，因为我是使用 python 的 ML 新手。
【问题讨论】：
标签： python jupyter-notebook tableau-api data-processing machine-learning-model
多重共线性意味着两个或多个预测变量彼此之间具有很强的线性关系。这在训练模型中可能会出现问题，因为您基本上是在同一变量的两个版本上进行训练，如果处理不当，可能会使结果和超参数出现偏差。使用基于回归的模型尤其成问题。
一个例子可以是视频游戏的评论数量和下载数量。我们可能会尝试预测价格，而回归评论和下载数量会有些多余，因为一般来说，玩游戏的人越多，评论就越多。
【讨论】：
在机器学习中，模型的输出（响应或预测）变量将通过某种程度的线性（正或负）取决于输入（预测或解释）变量。
但是在一些具有多个输入变量（例如 X1、X2、X3、X4 和 X5）的数据集或模型中，我们会看到输入变量本身之间存在线性关系。也就是说，X1 与 X2 相关，X1 也与 X3 相关。因此，在这种情况下，X1、X2 和 X3 相互关联，我们看到该模型中存在多重共线性。注意，多重共线性解释了一个输入变量与另一个输入变量（而不是输出变量）之间的相关性
让我们以房价预测模型来清楚地理解。考虑我们数据集中的以下输入变量平方英尺大小、卧室数量、UDS（平方英尺）和输出（预测）变量房价
这表明所有 3 个输入变量都相互关联。怎么样？
如果没有卧室增加，那么房子的大小也会增加。 如果房子的大小增加，UDS 增加，存在多重共线性，我们应该在模型训练之前解决多重共线性问题
【讨论】：