这绝不是一个详尽的答案，但它肯定会给你一个起点Python——

数据探索

开始Pandas Profiling。它将为您提供变量的 HTML 报告。如果数据质量良好，它将提供对填充率的一些见解，具体取决于变量类型，每个变量的一些统计信息

相关矩阵

pandas 分析报告包括相关矩阵。但是，如果您希望手动计算，请使用pd.corr(). 您可以改变参数以获得不同的相关指标，例如‘pearson’, ‘kendall’, ‘spearman’

降维 -> PCA（降维）

有很多方法可以做到这一点。请记住，如果您只是在寻找准确性而不关心如何X影响y，（1）是一个可选步骤（也适用于（2））。

1. 分析相关矩阵并用于VIF转储具有高相关性的变量
2. 用于降维的因子分析/ PCA
3. 使用LASSO拟合模型，检查系数以及那些可能被认为是0或将要0被认为是弱指标并且可以消除的系数。
4. 保留所有 50，并使用岭回归并改变 alpha 参数以微调准确性（或您尝试优化的任何指标）
5. 如果模型似乎仍然不稳定，请尝试使用 sklearn 的多项式特征来烹饪非线性特征，正则化并重复。
6. 可能是现实世界中最重要的变量，询问领域专家他/她认为哪些可能是重要变量

基本线性回归技术

1. 使用超参数以获得良好的交叉验证/测试分数是基本线性回归模型的关键。
2. 从这里和这里尝试尽可能多的技术