Tarde para a festa, mas aqui está a minha resposta de qualquer maneira, e é "Sim", deve-se sempre se preocupar com a colinearidade, independentemente de o modelo / método ser linear ou não, ou a principal tarefa ser a previsão ou classificação.
Suponha um número de covariáveis / características linearmente correlacionadas presentes no conjunto de dados e na Floresta Aleatória como método. Obviamente, a seleção aleatória por nó pode escolher apenas (ou principalmente) recursos colineares que podem / resultarão em uma divisão ruim e isso pode ocorrer repetidamente, afetando negativamente o desempenho.
Agora, os recursos colineares podem ser menos informativos sobre o resultado do que os outros recursos (não colineares) e, como tal, devem ser considerados para eliminação do conjunto de recursos de qualquer maneira. No entanto, suponha que os recursos tenham uma classificação alta na lista 'importância dos recursos' produzida pela RF. Como tal, eles seriam mantidos no conjunto de dados aumentando desnecessariamente a dimensionalidade. Portanto, na prática, eu sempre, como uma etapa exploratória (dentre muitas relacionadas), verificava a associação em pares dos recursos, incluindo correlação linear.