这里简单介绍一下VIF系数的作用，具体的我也未了解。

问题：假如，我们要用 x 1 ， x 2 x_1，x_2 x1​，x2​去拟合函数 y y y。同时， x 1 ， x 2 x_1，x_2 x1​，x2​之间相关性很强，如 x 1 = 2 x 2 x_1=2x_2 x1​=2x2​。 假如得到的拟合函数为： y = 3 x 1 − x 2 y=3x_1-x_2 y=3x1​−x2​； 从拟合的结果看来，自变量 x 2 x_2 x2​和因变量 y y y之间是负相关关系； 可实际上如果换算，有 y = 5 x 2 y=5x_2 y=5x2​，是正相关关系； 这说明变量 x 2 x_2 x2​与其余自变量之间存在严重的多重共线性。

通过VIF系数，可以检查出变量与其他变量之间的线性关系，如果某变量的VIF系数越大，意味着它与其他特征的线性相关性越大，可以进行丢弃；

关键代码：

一般而言，当变量的VIF系数大于10时，说明其与其它变量存在严重的多重共线性，就要考虑进行丢弃了。 当自变量的容忍度大于0.1，方差膨胀系数小于10的范围是可以接受的，表明自变量之间没有共线性问题存在 。

简单解释VIF指数以及代码演示用法： 用 VIF 方法消除多维数据中的多重共线性 利用statsmodels计算VIF和相关系数消除共线性

用数学理论来解释的相关链接： 如何理解方差膨胀因子（Variance Inflation Factor，VIF）？