cavalab/srbench

解决的问题

SRBench 解决了符号回归（SR）领域缺乏标准化、可复现且强大的基准测试的问题。它旨在通过提供一个公开的、开源的框架，使现代 SR 方法能够使用大规模、多样化的数据集，与强基线进行比较，从而弥合遗传编程（GP）与机器学习（ML）社区之间的差距。

工作原理

SRBench 提供统一的实验设置，要求贡献的方法实现 scikit-learn 兼容 API。通过使用 Docker 容器确保可复现性，对多种数据集（包括 Penn Machine Learning Benchmarks (PMLB) 和第一性原理回归问题）进行超参数调优和多次独立运行。

适用人群

本工具专为从事符号回归和遗传编程的 ML 研究人员和开发者设计，他们需要将新方法与现有最先进技术进行对比评估。

主要亮点

• 广泛的方法集合：2025 版本最多评估 25 种不同的符号回归方法。
• 可复现的环境：为每种方法使用 Docker 容器，确保执行的一致性。
• 多样化的数据集：使用广泛的多种数据集，包括 PMLB 和第一性原理问题。
• 开放标准：要求采用 scikit-learn 兼容 API，便于新方法的集成。