Sckit Learnを用いた回帰分析。特徴量の最適な組み合わせを選択する方法

Question

もしお分かりになられる方がいらっしゃいましたら教えてください。
いま以下のようなコードを用いてElasticNet回帰を行っています。
ここでいま特徴量が23個あります。全てが「関係あるかもしれない？」と思われるものです。
ここで特徴量は重要なものからそうでないものに分け、その中で重要なものをいくつピックアップしたモデルにすると
当てはまりが良いか？というのを自動でできる方法を考えています。

また、本モデルでは従属変数が7個ありまして、それぞれに対する回帰をしていますので、
１．まずはそれぞれの変数yのそれぞれについて最も最適な組み合わせを戻り値として表示
２．上記の中でも最も平均二乗誤差が小さいものをベストモデルとして表示

という処理をしたいと思っています。
中々難しい処理かもしれませんが、こういう処理をできる方いらっしゃいませんでしょうか？
もしyが1つなら、何かしらこれを解決するパッケージがあるのでは？と考え少し検索したのですが、見つからずでした。

#ElasticNet回帰を。
%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import Ridge
from sklearn.linear_model import Lasso
from sklearn.linear_model import ElasticNet
from sklearn.linear_model import SGDRegressor

data=pd.read_excel('元データ.xlsx')
data=data.drop([0,1]).reset_index(drop=True)
data['date']=pd.to_datetime(data['date'],format='%Y年%m月')
data['POSIX']=data['date'].astype('int64').values//10**9
data['year']=data['date'].dt.year
data['month']=data['date'].dt.month

#【注意】このコードでは従属変数を7個用意してそれぞれに対する回帰を行い平均二乗誤差を計算しています。
#また、以下では一部行列の加工をしていますが、元データを整形しているだけです。特徴量は以下のとおり23個あります。

x=data.iloc[0:38:1,[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,32]]
y0=data.iloc[:38,[23]] #0-43
y1=data.iloc[:38,[24]]#0-42
y2=data.iloc[:38,[25]]#0-41
y3=data.iloc[:38,[26]]#0-40
y4=data.iloc[:38,[27]]#0-39
y5=data.iloc[:38,[28]]#0-38
y6=data.iloc[:38,[29]]#0-37

for y in [y0, y1, y2, y3, y4, y5, y6]:

    x_pos=data['POSIX'].values
    N=len(x)
    N_train=round(len(x)*0.8)
    N_test=N-N_train

    x_pos_train,x_pos_test=x_pos[:N_train],x_pos[N_train:]
    x_train,y_train=x[:N_train],y[:N_train]
    x_test,y_test=x[N_train:],y[N_train:]

    POLY=PolynomialFeatures(degree=2,include_bias=False)
    x_train_pol=POLY.fit_transform(x_train)
    x_test_pol=POLY.transform(x_test)

    sc=StandardScaler()#特徴料の標準化を行う
    x_train_std=sc.fit_transform(x_train_pol)
    x_test_std=sc.transform(x_test_pol)
    
    model4=ElasticNet(alpha=0.1,l1_ratio=0.6)
    model4.fit(x_train_std,y_train)
    y_train_pred4=model4.predict(x_train_std)
    y_test_pred4=model4.predict(x_test_std)
    
    print(mean_squared_error(y_train,y_train_pred4))
    print(mean_squared_error(y_test,y_test_pred4))

Answer 1

ご質問の趣旨が分からず「追記・修正依頼」の方に書きましたが、もし詳しく学ばれたいとのことであれば

「特徴量エンジニアリング」「特徴量抽出」などでググると多数記事があります。
また下記の書籍も参考となると思います。

機械学習のための特徴量エンジニアリング

Kaggleで勝つデータ分析の技術