1、变量选择的方法有很多种。一个是看变量数据是否OK，缺失情况等，另一个是看变量在正负样本上的区分能力。可以通过历史经验选择，也可以通过数据的方法，如信息值等方法。共线性是因为变量间的强相关性，如果要消除共线性，可以通过对相关性强的变量做处理后再建模，处理的方法可以是剔除强相关的变量，也可以是降维用新的变量建模，当然也可以选择复杂算法如随机森林之类的。当然如果你的数据量比较大，决策树对共线性并不会太敏感。
2、模型效果的评估，一方面是模型稳定性的评估，如在不同数据集上的效果是否稳定；另一方面是模型性能的评估，这个就需要基于你预定的目标和现状，看有了模型ROC达到多少，PR图上的P、R达到了多少，能比现在提升多少。

非常感谢！另外我还想问问关于异常值的处理，模型中有几个连续型数值变量，偏度较大，这种情况下是否需要进行非线性转换呢？