可以用随机森林来筛选高度相关的自变量，然后再用其他回归模型来预测吗

可以。随机森林是一种有效的特征选择方法，可以用于筛选高度相关的自变量。通过使用随机森林，可以计算每个自变量对模型预测的贡献程度，并选择对模型预测具有重要影响的自变量。

一旦完成特征选择，您可以使用其他回归模型来进行预测。常见的模型包括线性回归、岭回归、Lasso回归、支持向量回归等。这些模型可以使用scikit-learn库中的相应类来实现。

以下是一个简单的示例，演示如何使用随机森林筛选自变量并使用线性回归模型进行预测：

# 导入必要的库
import numpy as np
from sklearn.ensemble import RandomForestRegressor
from sklearn.linear_model import LinearRegression

# 创建一个数据集
X = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
y = np.array([10, 20, 30])

# 使用随机森林进行特征选择
rf = RandomForestRegressor(n_estimators=100, random_state=42)
rf.fit(X, y)
importances = rf.feature_importances_

# 选择重要性排名前两个的自变量
selected_features = np.argsort(importances)[::-1][:2]
X_selected = X[:, selected_features]

# 使用线性回归模型进行预测
lr = LinearRegression()
lr.fit(X_selected, y)
y_pred = lr.predict(X_selected)

# 查看预测结果
print(y_pred)

在上述示例中，我们首先创建了一个3x3的数据集X和一个相应的目标变量y。然后，我们使用随机森林进行特征选择，并选择重要性排名前两个的自变量。接下来，我们使用线性回归模型进行预测，并利用选定的自变量X_selected和目标变量y拟合模型。最后，我们使用拟合模型来预测目标变量，并打印预测结果。