trevorstephens/gplearn

Genetic Programming in Python, with a scikit-learn inspired API

解決的問題

提供一種找出描述變數之間關係的數學表達式的方法。與傳統的「黑箱」機器學習模型不同，此工具使用符號回歸來發現最符合資料的可讀公式。

工作原理

該程式庫實作遺傳程式設計（GP）。從一組隨機數學公式開始，透過多代演化，根據表現選擇最適應的個體，並應用遺傳操作產生新的、改良的版本，直到找到最佳表達式為止。

適用對象

使用 scikit-learn 生態系，並希望進行符號回歸、二元分類或自動特徵工程的資料科學家與機器學習實務者。

特色亮點

  • 使用熟悉的 fit/predict 模式，與 scikit-learn 兼容的 API。
  • 透過 SymbolicRegressor 支援符號回歸。
  • 透過 SymbolicClassifier 支援二元分類。
  • 透過 SymbolicTransformer 支援自動特徵工程。
  • 與 scikit-learn 管道和網格搜尋模組整合。

相關

  • 專案
    feature-engine/feature_engine

    一個 Python 套件，提供與 Scikit-learn 相容的轉換器，用於全面的特徵工程與選擇，以提升機器學習模型效能。

  • 專案
    rodrigo-arenas/Sklearn-genetic-opt

    一個使用遺傳演算法進行超參數調校與特徵選擇的 scikit-learn 兼容最佳化工具包，提供了比網格搜尋與隨機搜尋更高效的替代方案。

  • 專案
    astroautomata/SymbolicRegression.jl

    A Julia library for symbolic regression that searches for human-readable mathematical expressions to fit datasets, optimizing the trade-off between accuracy and complexity.

  • 專案
    google/pyglove

    一個用於 Python 的符號程式設計套件，可實現對 Python 程式碼的操控與自動搜尋，常見於 AutoML 與進化計算應用。

  • 專案
    skforecast/skforecast

    一個將 scikit-learn 兼容模型、統計方法與基礎模型整合至統一預測工作流程的 Python 庫。