.. image:: https://img.shields.io/pypi/v/gplearn.svg :target: https://pypi.python.org/pypi/gplearn/ :alt: 版本 .. image:: https://img.shields.io/pypi/l/gplearn.svg :target: https://github.com/trevorstephens/gplearn/blob/main/LICENSE :alt: 许可证 .. image:: https://readthedocs.org/projects/gplearn/badge/?version=stable :target: http://gplearn.readthedocs.io/ :alt: 文档状态 .. image:: https://github.com/trevorstephens/gplearn/actions/workflows/build.yml/badge.svg :target: https://github.com/trevorstephens/gplearn/actions/workflows/build.yml :alt: 测试状态 .. image:: https://coveralls.io/repos/trevorstephens/gplearn/badge.svg :target: https://coveralls.io/r/trevorstephens/gplearn :alt: 测试覆盖率 .. image:: https://app.codacy.com/project/badge/Grade/02506317148e41a4b68a66e4c4e2b035 :target: https://app.codacy.com/gh/trevorstephens/gplearn/dashboard :alt: 代码健康

|

.. image:: https://raw.githubusercontent.com/trevorstephens/gplearn/master/doc/logos/gplearn-wide.png :target: https://github.com/trevorstephens/gplearn :alt: Python中的遗传编程，采用类scikit-learn的API

|

欢迎使用gplearn！

gplearn在Python中实现了遗传编程，并提供了一个受scikit-learn <http://scikit-learn.org>_启发且兼容的API。

尽管遗传编程（GP）可以用于执行非常广泛的任务 <http://www.genetic-programming.org/combined.php>_，但gplearn特意将其限定于解决符号回归问题。这一设计灵感来源于scikit-learn的理念，即提供功能强大且易于实现的估计器。

符号回归是一种机器学习技术，旨在识别能够最佳描述某种关系的潜在数学表达式。它首先构建一个由随机公式组成的种群，用以表示已知自变量与其因变量目标之间的关系，从而预测新数据。随后，通过从当前种群中选择适应度最高的个体进行遗传操作，逐步演化出新一代的程序。

gplearn保留了熟悉的scikit-learn fit/predict API，并与现有的scikit-learn pipeline <https://scikit-learn.org/stable/modules/compose.html>_和grid search <http://scikit-learn.org/stable/modules/grid_search.html>_模块无缝集成。该包试图将大量功能封装进scikit-learn风格的API中。虽然有许多参数可供调整，但阅读文档 <http://gplearn.readthedocs.io/>_应该能帮助您明确哪些参数对您的问题最为相关。

gplearn支持通过SymbolicRegressor进行回归分析，通过SymbolicClassifier进行二分类，以及通过SymbolicTransformer进行自动特征工程的转换。SymbolicTransformer主要针对回归问题设计，但也适用于二分类任务。

gplearn基于scikit-learn构建，安装时需要较新的scikit-learn版本，请参阅安装说明 <http://gplearn.readthedocs.io/en/stable/installation.html>。如果您在运行或安装过程中遇到任何问题，请提交错误报告 <https://github.com/trevorstephens/gplearn/issues>。

gplearn 快速上手指南

gplearn 是一个基于 Python 的遗传编程（Genetic Programming, GP）库，采用与 scikit-learn 兼容的 API 设计。它专注于符号回归问题，旨在通过进化算法发现描述数据关系的最佳数学表达式。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：支持 Linux、macOS 或 Windows。
• Python 版本：建议 Python 3.7 及以上版本。
• 核心依赖：
  • scikit-learn：必须安装较新版本的 scikit-learn。
  • numpy 和 scipy：通常作为 scikit-learn 的依赖自动安装。

安装步骤

您可以使用 pip 直接安装最新稳定版。国内开发者推荐使用清华或阿里镜像源以加速下载。

使用默认源安装：

pip install gplearn

使用国内镜像源安装（推荐）：

pip install gplearn -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

gplearn 的核心用法与 scikit-learn 高度一致，主要包含 fit（训练）和 predict（预测）方法。以下是一个最简单的符号回归示例：

1. 导入库并准备数据

from gplearn.genetic import SymbolicRegressor
from sklearn.datasets import make_regression
from sklearn.model_selection import train_test_split

# 生成模拟数据：y = 2 * X^2 + 3 * X
X, y = make_regression(n_features=1, n_samples=1000, noise=0.1, random_state=42)
# 构造简单的非线性关系用于演示
y = 2 * X[:, 0]**2 + 3 * X[:, 0] + y

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)

2. 初始化并训练模型

# 初始化符号回归器
# population_size: 种群大小
# generations: 进化代数
est = SymbolicRegressor(population_size=5000, generations=20, verbose=1)

# 拟合模型
est.fit(X_train, y_train)

3. 查看结果与预测

训练完成后，您可以直接打印找到的最佳数学公式，并进行预测。

# 输出发现的数学表达式
print("最佳公式:", est._program)

# 进行预测
y_pred = est.predict(X_test)

# 评估得分 (R^2)
score = est.score(X_test, y_test)
print(f"模型得分 (R^2): {score:.4f}")

提示：gplearn 还支持 SymbolicClassifier（二分类）和 SymbolicTransformer（特征工程），用法与上述 SymbolicRegressor 类似，可直接嵌入 scikit-learn 的 Pipeline 或 GridSearchCV 中使用。