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统一的框架，使用大规模、多样化的数据集，将遗传编程（GP）和机器学习（ML）社区之间的差距弥合，使现代 SR 方法能够与强基线进行比较。

如何工作

该项目提供了一个持续更新的基准测试，可在统一的实验设置下评估多种符号回归方法。为确保一致性和可复现性，每种方法均通过 Docker 容器运行，包含超参数调优和每个数据集的多次独立运行。为保持统一接口，贡献的方法必须遵循 scikit-learn 兼容的 API。

适用对象

正在开发新型符号回归算法，或希望在研究论文中使用可靠基线进行比较的 ML 和 GP 领域的研究人员和开发者。

主要亮点

• 方法种类丰富：在 2025 版本中，最多评估 25 种不同的符号回归方法。
• 数据集多样：使用来自 Penn Machine Learning Benchmarks (PMLB) 和第一性原理回归问题的数据集。
• 可复现的环境：采用 Docker 容器实现环境隔离和一致执行。
• 开源：所有实验代码和原始结果均对社区公开。