一家公司希望使用多元线性回归预测房屋销售价格。数据集包括地块大小、居住面积、非居住面积、卧室数量、浴室数量、建造年份和邮政编码等特征。机器学习专家应该使用哪种程序来消除不相关的特征并降低模型复杂性？

要消除不相关的特征并降低模型复杂性，最直接且有效的方法是评估每个特征与目标变量（销售价格）之间的关系。计算每个特征与目标销售价格的相关性，可以量化它们之间的线性关系强度和方向。删除与目标销售价格相关性小的特征，能够确保模型只包含对预测有实际贡献的特征，从而减少过拟合的风险并提高模型的可解释性。 其他选项的解释： 绘制特征的直方图并计算它们的标准差；删除方差高的特征：方差高不一定意味着特征不重要，它可能包含重要的信息。 绘制特征的直方图并计算它们的标准差；删除方差低的特征：方差低的特征可能确实信息量较少，但仅凭方差无法判断其与目标变量的相关性。 创建特征间相关性的热力图，并删除与其他特征相互关联性低的特征：这主要用于处理特征之间的多重共线性，而不是直接评估特征与目标变量的相关性。删除与其他特征相关性低的特征，可能会错误地移除对目标变量有重要预测作用的独立特征。