[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-trevorstephens--gplearn":3,"tool-trevorstephens--gplearn":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",140436,2,"2026-04-05T23:32:43",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,52],"视频",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[14,35],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":75,"owner_twitter":75,"owner_website":78,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":88,"difficulty_score":89,"env_os":90,"env_gpu":91,"env_ram":91,"env_deps":92,"category_tags":96,"github_topics":97,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":102,"updated_at":103,"faqs":104,"releases":139},4252,"trevorstephens\u002Fgplearn","gplearn","Genetic Programming in Python, with a scikit-learn inspired API","gplearn 是一个基于 Python 的开源库，专注于利用遗传编程（Genetic Programming）技术解决符号回归问题。它的核心目标是自动发现能够最佳描述数据关系的数学表达式。与传统机器学习模型不同，gplearn 不依赖预设的固定公式，而是通过模拟生物进化过程，从随机生成的公式种群中不断筛选、变异和交叉，最终演化出既精准又具有可解释性的数学模型。\n\n该工具特别适合数据科学家、研究人员以及需要深入理解数据背后物理或逻辑规律的开发者使用。无论是处理复杂的回归分析、二分类任务，还是进行自动化特征工程，gplearn 都能提供强有力的支持。其最大的技术亮点在于完美兼容 scikit-learn 生态系统，采用了用户熟悉的 fit\u002Fpredict API 设计。这意味着用户可以无缝将其集成到现有的机器学习流水线中，直接利用 scikit-learn 的网格搜索和管道模块进行模型调优，极大地降低了遗传编程的使用门槛。如果你希望不仅获得预测结果，更想得到一个清晰、简洁的数学公式来解释数据成因，gplearn 将是一个理想的选择。",".. image:: https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fgplearn.svg\n    :target: https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Fgplearn\u002F\n    :alt: Version\n.. image:: https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fl\u002Fgplearn.svg\n    :target: https:\u002F\u002Fgithub.com\u002Ftrevorstephens\u002Fgplearn\u002Fblob\u002Fmain\u002FLICENSE\n    :alt: License\n.. image:: https:\u002F\u002Freadthedocs.org\u002Fprojects\u002Fgplearn\u002Fbadge\u002F?version=stable\n    :target: http:\u002F\u002Fgplearn.readthedocs.io\u002F\n    :alt: Documentation Status\n.. image:: https:\u002F\u002Fgithub.com\u002Ftrevorstephens\u002Fgplearn\u002Factions\u002Fworkflows\u002Fbuild.yml\u002Fbadge.svg\n    :target: https:\u002F\u002Fgithub.com\u002Ftrevorstephens\u002Fgplearn\u002Factions\u002Fworkflows\u002Fbuild.yml\n    :alt: Test Status\n.. image:: https:\u002F\u002Fcoveralls.io\u002Frepos\u002Ftrevorstephens\u002Fgplearn\u002Fbadge.svg\n    :target: https:\u002F\u002Fcoveralls.io\u002Fr\u002Ftrevorstephens\u002Fgplearn\n    :alt: Test Coverage\n.. image:: https:\u002F\u002Fapp.codacy.com\u002Fproject\u002Fbadge\u002FGrade\u002F02506317148e41a4b68a66e4c4e2b035\n    :target: https:\u002F\u002Fapp.codacy.com\u002Fgh\u002Ftrevorstephens\u002Fgplearn\u002Fdashboard\n    :alt: Code Health\n\n|\n\n.. image:: https:\u002F\u002Fraw.githubusercontent.com\u002Ftrevorstephens\u002Fgplearn\u002Fmaster\u002Fdoc\u002Flogos\u002Fgplearn-wide.png\n    :target: https:\u002F\u002Fgithub.com\u002Ftrevorstephens\u002Fgplearn\n    :alt: Genetic Programming in Python, with a scikit-learn inspired API\n\n|\n\nWelcome to gplearn!\n===================\n\n`gplearn` implements Genetic Programming in Python, with a `scikit-learn \u003Chttp:\u002F\u002Fscikit-learn.org>`_ inspired and compatible API.\n\nWhile Genetic Programming (GP) can be used to perform a `very wide variety of tasks \u003Chttp:\u002F\u002Fwww.genetic-programming.org\u002Fcombined.php>`_, gplearn is purposefully constrained to solving symbolic regression problems. This is motivated by the scikit-learn ethos, of having powerful estimators that are straight-forward to implement.\n\nSymbolic regression is a machine learning technique that aims to identify an underlying mathematical expression that best describes a relationship. It begins by building a population of naive random formulas to represent a relationship between known independent variables and their dependent variable targets in order to predict new data. Each successive generation of programs is then evolved from the one that came before it by selecting the fittest individuals from the population to undergo genetic operations.\n\ngplearn retains the familiar scikit-learn `fit\u002Fpredict` API and works with the existing scikit-learn `pipeline \u003Chttps:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fmodules\u002Fcompose.html>`_ and `grid search \u003Chttp:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fmodules\u002Fgrid_search.html>`_ modules. The package attempts to squeeze a lot of functionality into a scikit-learn-style API. While there are a lot of parameters to tweak, `reading the documentation \u003Chttp:\u002F\u002Fgplearn.readthedocs.io\u002F>`_ should make the more relevant ones clear for your problem.\n\ngplearn supports regression through the SymbolicRegressor, binary classification with the SymbolicClassifier, as well as transformation for automated feature engineering with the SymbolicTransformer, which is designed to support regression problems, but should also work for binary classification.\n\ngplearn is built on scikit-learn and a fairly recent copy is required for `installation \u003Chttp:\u002F\u002Fgplearn.readthedocs.io\u002Fen\u002Fstable\u002Finstallation.html>`_. If you come across any issues in running or installing the package, `please submit a bug report \u003Chttps:\u002F\u002Fgithub.com\u002Ftrevorstephens\u002Fgplearn\u002Fissues>`_.\n",".. image:: https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fgplearn.svg\n    :target: https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Fgplearn\u002F\n    :alt: 版本\n.. image:: https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fl\u002Fgplearn.svg\n    :target: https:\u002F\u002Fgithub.com\u002Ftrevorstephens\u002Fgplearn\u002Fblob\u002Fmain\u002FLICENSE\n    :alt: 许可证\n.. image:: https:\u002F\u002Freadthedocs.org\u002Fprojects\u002Fgplearn\u002Fbadge\u002F?version=stable\n    :target: http:\u002F\u002Fgplearn.readthedocs.io\u002F\n    :alt: 文档状态\n.. image:: https:\u002F\u002Fgithub.com\u002Ftrevorstephens\u002Fgplearn\u002Factions\u002Fworkflows\u002Fbuild.yml\u002Fbadge.svg\n    :target: https:\u002F\u002Fgithub.com\u002Ftrevorstephens\u002Fgplearn\u002Factions\u002Fworkflows\u002Fbuild.yml\n    :alt: 测试状态\n.. image:: https:\u002F\u002Fcoveralls.io\u002Frepos\u002Ftrevorstephens\u002Fgplearn\u002Fbadge.svg\n    :target: https:\u002F\u002Fcoveralls.io\u002Fr\u002Ftrevorstephens\u002Fgplearn\n    :alt: 测试覆盖率\n.. image:: https:\u002F\u002Fapp.codacy.com\u002Fproject\u002Fbadge\u002FGrade\u002F02506317148e41a4b68a66e4c4e2b035\n    :target: https:\u002F\u002Fapp.codacy.com\u002Fgh\u002Ftrevorstephens\u002Fgplearn\u002Fdashboard\n    :alt: 代码健康\n\n|\n\n.. image:: https:\u002F\u002Fraw.githubusercontent.com\u002Ftrevorstephens\u002Fgplearn\u002Fmaster\u002Fdoc\u002Flogos\u002Fgplearn-wide.png\n    :target: https:\u002F\u002Fgithub.com\u002Ftrevorstephens\u002Fgplearn\n    :alt: Python中的遗传编程，采用类scikit-learn的API\n\n|\n\n欢迎使用gplearn！\n===================\n\n`gplearn`在Python中实现了遗传编程，并提供了一个受`scikit-learn \u003Chttp:\u002F\u002Fscikit-learn.org>`_启发且兼容的API。\n\n尽管遗传编程（GP）可以用于执行`非常广泛的任务 \u003Chttp:\u002F\u002Fwww.genetic-programming.org\u002Fcombined.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。\n\n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。\n\ngplearn保留了熟悉的scikit-learn `fit\u002Fpredict` API，并与现有的scikit-learn `pipeline \u003Chttps:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fmodules\u002Fcompose.html>`_和`grid search \u003Chttp:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fmodules\u002Fgrid_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 \u003Chttp:\u002F\u002Fgplearn.readthedocs.io\u002F>`_应该能帮助您明确哪些参数对您的问题最为相关。\n\ngplearn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。\n\ngplearn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 \u003Chttp:\u002F\u002Fgplearn.readthedocs.io\u002Fen\u002Fstable\u002Finstallation.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 \u003Chttps:\u002F\u002Fgithub.com\u002Ftrevorstephens\u002Fgplearn\u002Fissues>`_。","# gplearn 快速上手指南\n\n`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。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：支持 Linux、macOS 或 Windows。\n*   **Python 版本**：建议 Python 3.7 及以上版本。\n*   **核心依赖**：\n    *   `scikit-learn`：必须安装较新版本的 scikit-learn。\n    *   `numpy` 和 `scipy`：通常作为 scikit-learn 的依赖自动安装。\n\n## 安装步骤\n\n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。\n\n**使用默认源安装：**\n```bash\npip install gplearn\n```\n\n**使用国内镜像源安装（推荐）：**\n```bash\npip install gplearn -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\n\n`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：\n\n### 1. 导入库并准备数据\n```python\nfrom gplearn.genetic import SymbolicRegressor\nfrom sklearn.datasets import make_regression\nfrom sklearn.model_selection import train_test_split\n\n# 生成模拟数据：y = 2 * X^2 + 3 * X\nX, y = make_regression(n_features=1, n_samples=1000, noise=0.1, random_state=42)\n# 构造简单的非线性关系用于演示\ny = 2 * X[:, 0]**2 + 3 * X[:, 0] + y\n\n# 划分训练集和测试集\nX_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)\n```\n\n### 2. 初始化并训练模型\n```python\n# 初始化符号回归器\n# population_size: 种群大小\n# generations: 进化代数\nest = SymbolicRegressor(population_size=5000, generations=20, verbose=1)\n\n# 拟合模型\nest.fit(X_train, y_train)\n```\n\n### 3. 查看结果与预测\n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。\n\n```python\n# 输出发现的数学表达式\nprint(\"最佳公式:\", est._program)\n\n# 进行预测\ny_pred = est.predict(X_test)\n\n# 评估得分 (R^2)\nscore = est.score(X_test, y_test)\nprint(f\"模型得分 (R^2): {score:.4f}\")\n```\n\n**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。","某量化分析团队试图从历史传感器数据中挖掘设备故障的精确数学预警公式，以替代传统的黑盒预测模型。\n\n### 没有 gplearn 时\n- **模型不可解释**：使用神经网络或随机森林虽能预测故障，但无法输出具体的物理公式，工程师难以理解背后的因果逻辑。\n- **特征工程耗时**：依赖人工尝试组合温度、压力、振动等变量，构建多项式特征，过程繁琐且极易遗漏关键的非线性关系。\n- **公式形式受限**：传统回归方法只能拟合预设的函数结构（如线性或固定阶数多项式），无法自动发现复杂的分段或三角函数关系。\n- **迭代效率低下**：每次调整假设都需要重新编写代码并训练模型，试错周期长，难以快速响应新的数据分布变化。\n\n### 使用 gplearn 后\n- **生成可执行公式**：gplearn 直接输出如 `0.5 * (温度^2) + sin(振动)` 的 Python 表达式，让故障机理透明化，便于专家验证。\n- **自动化特征构造**：利用 SymbolicTransformer 自动演化出高价值的组合特征，无需人工穷举，显著提升了后续模型的输入质量。\n- **结构自由探索**：基于遗传算法，gplearn 能在巨大的函数空间内自由搜索，自动发现人类难以构思的复杂数学表达形式。\n- **无缝集成工作流**：凭借类 scikit-learn 的 API，团队可直接将 gplearn 嵌入现有的 Pipeline 和网格搜索中，大幅缩短了从实验到部署的周期。\n\ngplearn 的核心价值在于将“黑盒预测”转化为“白盒公式”，在保持高精度的同时赋予了机器学习结果明确的物理意义和可操作性。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftrevorstephens_gplearn_ef340606.png","trevorstephens","Trevor Stephens","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ftrevorstephens_4d049e4a.png",null,"Xero","Melbourne, Australia","http:\u002F\u002Ftrevorstephens.com","https:\u002F\u002Fgithub.com\u002Ftrevorstephens",[81],{"name":82,"color":83,"percentage":84},"Python","#3572A5",100,1827,321,"2026-04-05T10:59:23","BSD-3-Clause",1,"","未说明",{"notes":93,"python":91,"dependencies":94},"该工具基于 scikit-learn 构建，安装需要较新版本的 scikit-learn。它实现了遗传编程（GP），主要用于符号回归、二分类和特征工程任务，并兼容 scikit-learn 的 fit\u002Fpredict API、pipeline 和 grid search 模块。具体 Python 版本及其他系统资源需求在提供的片段中未明确提及，建议参考官方安装文档。",[95],"scikit-learn",[14],[98,99,100,95,101],"genetic-programming","machine-learning","python","symbolic-regression","2026-03-27T02:49:30.150509","2026-04-06T15:02:58.390595",[105,110,115,120,125,130,135],{"id":106,"question_zh":107,"answer_zh":108,"source_url":109},19372,"如何保存包含自定义函数的 gplearn 模型？","当使用 pickle 保存包含自定义函数的模型时，可能会遇到 '_pickle.PicklingError' 错误。维护者已发布修复版本（可通过 pip 安装更新），该版本会在运行时自动处理函数装饰问题，特别是当你使用并行处理时。请尝试升级包到最新版本来解决此问题。","https:\u002F\u002Fgithub.com\u002Ftrevorstephens\u002Fgplearn\u002Fissues\u002F161",{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},19373,"为什么并行运行（n_jobs > 1）比单线程运行慢得多或无响应？","在 Windows 系统上，旧版本的 gplearn 与 joblib 配合使用时可能出现并行运行卡死或极慢的问题。解决方案是将 gplearn 升级到 0.4.0 或更高版本。此外，由于进化过程的串行性质，并非所有情况都适合并行处理，需注意文档中关于并行处理的建议。","https:\u002F\u002Fgithub.com\u002Ftrevorstephens\u002Fgplearn\u002Fissues\u002F71",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},19374,"自定义度量函数（metric function）为什么会被执行两次导致训练变慢？","这是因为自定义适应度函数缺少了权重参数 `w`。如果没有该参数，样本加权功能无法生效，且可能导致函数被重复调用（例如用于计算 OOB 适应度）。请将自定义函数定义为接受三个参数：`def _my_metric(y, y_pred, w):`，并在计算中使用 `w`，例如：`np.sum((np.abs(y) + np.abs(y_pred)) * w)`。","https:\u002F\u002Fgithub.com\u002Ftrevorstephens\u002Fgplearn\u002Fissues\u002F208",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},19375,"gplearn 是否支持 class_weight（类别权重）功能？","是的，从版本 0.4.2 开始，gplearn 已经支持 `class_weight` 功能。如果你使用的是旧版本，请通过 `pip install --upgrade gplearn` 更新到最新版本即可使用该功能。","https:\u002F\u002Fgithub.com\u002Ftrevorstephens\u002Fgplearn\u002Fissues\u002F251",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},19376,"如何向 gplearn 添加自定义函数（如 pow, exp）？","虽然核心库未默认包含所有数学函数（如 pow, exp，主要是为了避免溢出或闭包问题），但用户可以自行扩展。你可以参考源代码了解如何将自定义函数添加到函数库中，从而根据需求扩展任何想要的函数。","https:\u002F\u002Fgithub.com\u002Ftrevorstephens\u002Fgplearn\u002Fissues\u002F16",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},19377,"SymbolicTransformer 使用自定义逻辑函数时运行极慢怎么办？","如果在 Example 3 中使用用户定义的逻辑函数导致 SymbolicTransformer 运行极其缓慢，这通常是因为自定义函数的实现效率较低或复杂度太高。建议检查自定义函数的逻辑，确保其向量化操作高效，避免在函数内部使用低效的循环或复杂的条件判断。","https:\u002F\u002Fgithub.com\u002Ftrevorstephens\u002Fgplearn\u002Fissues\u002F63",{"id":136,"question_zh":137,"answer_zh":138,"source_url":124},19378,"gplearn 是否有相关的学术论文可以引用？","目前 gplearn 本身可能没有独立的论文，但其算法基础源自遗传编程领域。维护者曾推荐引用经典著作《Genetic Programming: On the Programming of Computers by Means of Natural Selection》（John R. Koza, 1992）。如果在论文中使用了特定版本的功能（如 class_weight），建议在方法部分说明使用的 gplearn 版本号及 GitHub 仓库地址。",[140,144],{"id":141,"version":142,"summary_zh":75,"released_at":143},117403,"0.4.3","2026-01-07T06:59:11",{"id":145,"version":146,"summary_zh":147,"released_at":148},117404,"0.4.2","- 要求所有公共方法和函数仅接受关键字参数，以符合 `scikit-learn` 的 SLEP009 规范。\n- 将 `n_features_` 属性替换为 `n_features_in_`，以符合 `scikit-learn` 的 SLEP010 规范。\n- 更新测试套件，以确保与 `scikit-learn` 的兼容性。由于 `scikit-learn` 近期的测试要求变更，将需要 `scikit-learn` 1.0.2 或更高版本。同时，也将 `joblib` 的版本要求提升至 1.0.0 或更高，以与 `scikit-learn` 的下一个版本保持一致。\n- 向 :class:`genetic.SymbolicClassifier` 添加了 `class_weight` 参数，使用户能够轻松应对类别不平衡的数据集。","2022-05-03T10:56:08"]