Как минимум, из-за возможной ситуации того, что выбранный набор признаков может образовывать не очень удобную систему координат. В итоге будет не важность признака, а костыль. Например, представим, что какая-то функция была задана на прямой в плоскости, перпендикулярной одной из оси координат (в случае прямолинейных координат). В итоге может возникнуть громадный коэффициент при совершенно неважном признаке. Но это один из вариантов.
В простом случае линейной взаимосвязи с целевой переменной коэффициенты действительно пропорциональны корреляции, но в случае даже не слишком существенных нелинейностей (даже периодических отклонений от прямой) этот смысл уже теряется.

вот для этого и применяется нормализация

Ты долб**оеб?
Окей, давай так y=(1/sqrt(2))x1-(1/sqrt(2))x2 какая фича важнее?

Где я сказал?

Если y=x1-100500x2, это не значит, что x1 важнее x2, потому что при нем коэффициент значительно больше

Перефразирую: бОльший аргумент не значит, что фича важнее

Так какая фича важнее в примере выше?

Х1?

конечно y

В курсе, что дисперсия недетерминированной величины положительна, да?

🤦‍♂️ нет, у ы

ну как бы да, только наоборот) Дисперсия всегда неотрицательна и равна нулю только для детерминированной
величины

🤦‍♂️

Тервер заучивал?

Неотрицательна и равна нулю
Прям стихи

ну так в отличие от некоторых не путаю знаки

А в чем наоборот заключается?)

а в чем разница между недетерминированной и детерминированной величиной?

А в чем смысл того, что ты думать пытаешься?