cavalab/srbench

解決的問題

SRBench 解決了符號回歸（SR）領域缺乏標準化、可重現且強大的基準測試的問題。它旨在透過提供一個統一的框架，使用大型且多樣化的資料集，彌合遺傳程式設計（GP）與機器學習（ML）社群之間的差距，使現代 SR 方法能與強大的基線進行比較。

如何運作

此專案提供一個持續更新的基準測試，可在統一的實驗設定下評估多種符號回歸方法。為確保一致性和可重現性，每種方法均透過 Docker 容器執行，包含超參數調校與每個資料集的多次獨立執行。為維持統一介面，貢獻的方法必須遵循 scikit-learn 兼容的 API。

適用對象

正在開發新型符號回歸演算法，或希望在研究論文中使用可靠基線進行比較的 ML 與 GP 社群的研究人員與開發者。

主要亮點

• 方法種類豐富：在 2025 年版本中，最多評估 25 種不同的符號回歸方法。
• 資料集多樣：使用來自 Penn Machine Learning Benchmarks (PMLB) 與第一原理回歸問題的資料集。
• 可重現的環境：採用 Docker 容器實現環境隔離與一致執行。
• 開源：所有實驗程式碼與原始結果皆對社群公開。