探索符号回归的新境界：SRBench——一个活生生的基准测试库

探索符号回归的新境界：SRBench——一个活生生的基准测试库

srbench A living benchmark framework for symbolic regression 项目地址: https://gitcode.com/gh_mirrors/srb/srbench

在遗传编程（Genetic Programming）领域的象征性回归（Symbolic Regression, SR）已经取得了显著的进步，从早期的Koza风格发展到现在与机器学习（Machine Learning, ML）的交叉融合。SRBench正是为了推动这个领域向前迈进的一大步，它是一个公开、可重复且透明的现代象征性回归基准测试库。

项目介绍

SRBench致力于消除GP社区和ML社区之间的交流障碍，通过公开比较多种SR方法来促进两个领域的发展。它解决了SR标准基准测试数据集不足的问题，提供了大量真实世界和合成数据集进行大规模测试。此外，为了实现统一的标准，它要求所有贡献的方法都应遵循scikit-learn兼容的API接口。

项目技术分析

SRBench目前涵盖了14种不同的符号回归方法以及7种其他ML方法，包括先进的算法如AIFeynman、Bayesian Symbolic Regression、Deep Symbolic Regression等。这些方法在252个来自PMLB的数据集上进行了基准测试，其中包括各种有无地面实况模型的过程数据。

项目及技术应用场景

无论是科研工作者还是工程师，都可以利用SRBench来：

1. 对新开发的SR方法进行性能评估。
2. 比较不同方法在特定问题上的表现，以选择最适合自己的工具。
3. 研究新出现的跨学科技术，例如将深度学习应用到符号回归中。
4. 在实际工程问题中找到最优解，如预测复杂系统的动态行为或发现物理定律。

项目特点

• 全面性：覆盖了多种最新的SR方法，并不断更新和扩展。
• 可比性：所有方法在同一基准上进行公平的性能对比。
• 开放源代码：所有测试和结果都是公开的，可被广泛复现和验证。
• 易于整合：采用scikit-learn兼容API，方便将新的SR方法集成进来。

如果你对探索象征性回归的潜力，或者想比较不同方法的性能感兴趣，那么SRBench无疑是你的理想选择。加入我们，一起推动这个领域的边界吧！

想要了解更多或贡献你的方法？查看我们的贡献指南，让我们共同塑造未来。

联系我们：William La Cava (@lacava)，william dot lacava at childrens dot harvard dot edu。

srbench A living benchmark framework for symbolic regression 项目地址: https://gitcode.com/gh_mirrors/srb/srbench