我有一个包含 3,000 个特征和时间连续因变量的数据集，包含 18,000 个实例。因变量的直方图显示它们具有双峰分布。我正在构建预测时间的线性回归模型，但没有一个模型能够做出预测；这$R^2$所有模型的值都是$0$. 我绘制了模型的残差并验证它们是正态分布的

我在 Scikit-Learn 中使用LassoCV/ Lasso、ElasticNetCV/ ElasticNet、XGBoost和来制作模型。Kernel Ridge Regression我使用系数的权重Lasso来过滤我的数据框，以便我使用预测中幅度最大的特征，但这不起作用。我使用feature_importance_XGBoost 的方法来做类似的事情，但这也没有帮助。

Kernel Ridge Regression 使用参数运行

KernelRidge(alpha=1, coef0=1, degree=3, gamma=0.001, kernel='polynomial', kernel_params=None)

但完全过拟合训练数据$R^2 = 1$.

我一直在研究非参数方法，如核密度估计和高斯混合模型，但不确定如何将它们用于我的回归任务。我也一直在研究模态回归和多功能拟合，但不熟悉如何用 Python 实现它们。

我还考虑找出哪些特征对模式有贡献，并将数据集拆分为两个分布，并在两个单独的数据集上运行模型，但不确定如何为整个数据集绘制图片。

一般来说，我应该如何使用多模态因变量构建回归模型？