Как с помощью линейной модели отобрать важные признаки

Для отбора важных признаков в линейной модели можно использовать:

1. Коэффициенты модели (если признаки нормализованы). Большие абсолютные значения коэффициентов указывают на важность признака:

from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
model = LinearRegression().fit(X_scaled, y)
important_features = np.argsort(np.abs(model.coef_))[::-1][:10]

2. **L1-регуляризацию (Lasso)** автоматически обнуляет неважные признаки:
```python
from sklearn.linear_model import LassoCV
lasso = LassoCV().fit(X, y)
selected_features = np.where(lasso.coef_ != 0)[0]

3. Статистическую значимость (p-value) из statsmodels:

import statsmodels.api as sm
X = sm.add_constant(X)
model = sm.OLS(y, X).fit()
significant = model.pvalues[model.pvalues < 0.05].index

Важно: перед анализом нужно масштабировать признаки и проверять мультиколлинеарность.