为什么这很重要？
假设博主只在周一发布力量训练，而且她的视频在周一的播放量总是更高。那么分析播放量时，应该归因它们发布在周一，还是因为它们是力量训练呢？为了获得真实的答案，作者必须确保特征之间没有强共线性。
成对相关(pairwisecorrelations)是常用的方法，但当出现多个特征(多于一对)时，可能会同时存在共线性。
因此，作者使用了一种更复杂的方法——k折交叉验证（K-fold cross-validation）来达到目的。
详细过程如下:
-
根据判断，选择一组关键特征来测试共线性。
作者选择了对于YouTube视频播放量至关重要的特征，同时还添加了三个由随机数组成的特征：rand0,rand1,rand2。当比较特征之间的关系时，它们充当anchor。如果一个特征与这些随机特征相比不太重要或不太相似时，那么它就不是目标特征的重要自变量。
-
为k折交叉验证准备这些特征。
在此过程中，他们转换分类特征（categorical features）：area和workout_type。这种转换确保每个类别级别至少有K个值。
-
使用其中一个特征作为目标，其余特征作为自变量，来训练预测模型。
接下来，作者遍历每个特征，并使用其他特征拟合一个模型来预测它，他们用了一个简单的梯度提升模型（Gradient Boosting Model ，GBM)和K折验证，并且根据目标特征是数字的还是分类的，应用不同的模型和分数(模型预测能力评估指标)。
当目标特征是数字时，作者使用Gradient Boosting Regressor模型和均方根误差(RMSE)；当目标特征是分类特征时，则使用Gradient Boosting Classifier模型和Accuracy(精度)。
对于每个目标，他们打印出K折验证分数(平均分)和最重要的5个自变量。
-
研究得分和每个目标特征的重要自变量。
作者试图研究每个目标特征及其与自变量的关系。当然本文不会列举整个过程，将举两个例子。
作者发现length（视频长度）和calories特征是相关的。这个发现很直观，因为健身的时间越长，消耗的卡路里就越多。
这种关系不难理解。
length和calories之间存在正相关，但这种强度还不足以将它们直接归到一块。因为40-45分钟的视频消耗的热量与30-35分钟、50-55分钟，甚至与60多分钟的视频，都有重叠部分。因此，两个特征都保留。
此外，作者发现num_same_area和area_full，两个特征也是相关的，这个发现有点令人惊讶，接下来开始解密。
下图显示了num_same_area和area之间的关系。
num_same_area特征，统计的是在过去30天内发布的针对于同一部位视频(包括当前视频)的数量。area_ful代表全身锻炼，这是Sydney视频中最常见的类型。因此，当num_same_area很大时，那么这些视频就是针对全身的锻炼。
假设我们发现更高的num_same_area(>=10)确实会导致更高的YouTube浏览量，但我们无法知道这是因为area_full还是因为num_same_area。因此，作者放弃了num_same_area特征，也因为相同的逻辑放弃相num_same_workouts特征。
