Выделить матрицу признаков и целевую переменную из загруженных данных

Верно ли я нахожу матрицу признаков и целевую переменную из датасета

Нет, у вас логическая ошибка - в обучающей выборке присутствует целевая переменная. Вследствие чего модель может "идеально" подобрать веса коэффициент ов - 1.0 для столбца с целевой переменной и нули для всех остальных столбцов. В итоге мы получим 100% точность для обучающей выборки.

Разделите обучающую выборку на входную матрицу и целевую переменную. Кроме этого следует разделить всю выборку на две части - на обучающий и тестовый наборы. Модель при обучении не должна видеть данных из тестового набора данных. Иначе вы не сможете адекватно оценить точность модели для новых данных, т.е. для тех, которые модель не видела во время обучения:

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(
    data.drop(columns="target"), 
    data["target"],
    test_size=0.2,
    random_state=42)

Я сразу приведу более правильный код, а потом объясню, что и как:

import numpy as np
import seaborn as sns
from sklearn.preprocessing import MinMaxScaler
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt

data = pd.read_csv('data.csv')

scaler = MinMaxScaler()
linear_regression = LinearRegression()

X = data.drop(columns='target')
X = scaler.fit_transform(X)
y = data.target
model = linear_regression.fit(X, y)

weight_data = pd.DataFrame(zip(data.columns, model.coef_))
weight_data.columns = ['f', 'coeff']
weight_data = weight_data[weight_data.coeff.abs() > 0.01]
weight_data = weight_data.sort_values('coeff', ascending=False)
print(weight_data)

sns.barplot(x='coeff', y='f', data=weight_data);
plt.title('Коэффициенты/важность признаков');

Вывод:

      f       coeff
53  f54  489.356736
83  f84  370.082114
32  f33  367.383082
22  f23  285.648451
7    f8  239.417430
68  f69  179.345713
37  f38  112.168497
28  f29  107.357792
91  f92   77.969137
46  f47   12.506650

Итак, что тут важно:

• из матрицы признаков нужно убирать target, если вы его оставите, то понятно, что лучше всего target коррелирует сам с собой, а остальное так - случайные флуктуации, что у вас и получилось - коэффициент у target получился 0.9999..., т.е. почти 1, регрессия предсказала target по нему же самому
• если вы хотите посчитать реальную важность признаков, то данные нужно масштабировать, иначе коэффициенты регрессии вам покажут не совсем то, что вы, возможно ожидаете, например, если у вас есть всего два признака и один признак имеет среднее 1000, а другой 0.001 и при этом оба одинаково важны для вычисления target, то у первого будет коэффициент 0.0005, а у второго 500, и как вы эти два числа будете сравнивать/воспринимать? а вот после масштабирования в один диапазон значений, например [0, 1] оба признака будут иметь коэффициент 0.5 и всё будет понятно - это два одинаково важных признака

На ваших данных у меня получилось c LinearRegression, что есть 10 более-менее важных признаков, а остальные имеют очень малую значимость, это просто шум.

И это я ещё не использовал регуляризацию и кросс-валидацию. А надо бы.

P.S. С ElasticNetCV вообще другие фичи получаются важными и как-то по-другому картина выглядит, в общем, похоже, данные не так просты, и их ещё нужно изучать. Но основные ошибки вам в общем уже указали. Дальше нужно делать кросс-валидацию, смотреть насколько точно модель предсказывает, пробовать другие модели, делать визуализацию как признаков, так и их корреляции... В общем, это работа творческая.