我一直在思考这个问题。似乎在机器学习中，多重共线性通常不是什么大问题，因为它不应该破坏预测能力。对于影响的估计，对于单个变量的系数来说，这是有问题的 - 因此，回归的问题。

这篇文章很好地总结了它https://stats.stackexchange.com/a/168631/197070。

多重共线性不会在预测能力方面造成问题，而是在可解释性方面造成问题。
有了这个逻辑，是的，它也会在分类模型中引起类似的问题。

LogisticsRegression，它与 LinearRegression 非常相似。所以我相信你可以很容易地理解这个模型的问题。

决策树
我将尝试解释决策树分类器
特征重要性的问题-
使用共线特征，此属性变得非常不可靠。 树可以选择任何共线特征来创建分割，因此当我添加重复的花瓣 L/W 作为特征并删除鸢尾花数据集上的萼片 L/W 时，
这两个特征会划分重要性份额， 例如 2 次运行的特征重要性


[PL_1: 0.01351351, PW_1: 0.93507842, PL_2: 0.05140807, PW_2: 0. ]
[PL_1: 0.05860548, PW_1: 0.52660473, PL_2: 0.0063161 , PW_2: 0.40847369]

如果您使用Permutation 方法来计算 Features Importance。
在这种情况下，更糟糕的是，
当您对任何共线特征进行置换时，模型将使用另一个特征来管理等效拆分，并且您不会观察到分数的任何下降。
因此，看起来这两个特征对模型的重要性都为零