“强相关”没有通用定义，因此您的问题没有“正确”答案。一种方法是执行显着性检验以确定是否有强有力的证据表明相关性不为零。测试的数学细节在这里，相关的 Scipy API 文档在这里。

但是，当您说“强相关”时，“可能非零”可能不是您要寻找的。如果是这种情况，您可能需要首先考虑为什么您对查找强相关变量感兴趣。您是否有兴趣识别预测问题的强相关特征？如果是这样，您最好跳过此练习并开始直接尝试学习算法。您是否有兴趣确定哪些预测变量会导致某个响应变量发生变化？在这种情况下，您可能需要研究某种统计回归模型（可能从线性回归开始），并且在得出因果结论时要非常小心涉及的所有假设。

@StubbornTurtle 的好答案。

要提供更多详细信息，请参阅此答案。这谈到了抑制者、调解者、混杂因素和调解者。抑制器与预测器的相关性较弱，但模型中包含的抑制器使模型更强大，因为它有助于预测另一个预测器较弱的目标，或者正如我所学的解释方差。

所有数据集都没有抑制器。但是，仅包含“高度”相关，您可能会丢失这些变量并使您的模型更弱。

其次，如果预测变量使模型“更好”，我们通常想要一些彼此不相关的预测变量，其中更好是由模型试图解决的问题定义的。不相关的预测变量可能会锁定模型中的不同信号和噪声。如果预测变量都是高度相关的，那么它们可能都在解释相同的信号并包含相同的噪声。