1、符号回归：原理、应用与实践

符号回归：原理、应用与实践

1. 符号回归概述

符号回归（Symbolic Regression，SR）是一种强大的机器学习技术，它能够生成透明的模型。其核心在于在数学表达式的空间中搜索一个模型，以表征预测变量和因变量之间的关系，且无需对模型结构进行预先假设。

目前，用于符号回归的最流行学习算法基于遗传编程（Genetic Programming，GP），这是一种受自然选择原理启发的进化算法。GP 的基本思想是通过迭代、逐代的方式，反复应用选择、交叉、变异和替换操作，来进化一组候选解决方案，从而实现对模型结构、系数和输入变量的同时搜索。

2. 符号回归的重要性

在可解释人工智能和科学机器学习的背景下，符号回归因其能够生成可解释模型的潜力而备受关注。可解释性和可解释性是将人类融入人工智能学习循环的关键要素，提高数据科学家对内部算法过程及其结果模型的理解能力，对整个学习过程具有积极意义。

3. 相关研究人员

• Gabriel Kronberger ：奥地利上奥地利应用科学大学哈根贝格校区教授，专注于符号回归算法及其在科学和工程中的应用。2018 - 2022 年，领导约瑟夫·雷塞尔符号回归中心，开发了用于半解析建模的符号回归方法。
• Bogdan Burlacu ：该大学机器学习和数据科学教授，启发式和进化算法实验室（HEAL）成员，在符号回归领域活跃研究十余年，主要致力于开发新的符号回归算法和软件。
• Michael Kommenda ：该大学高级