- 综合排序
- 最热优先
- 最新优先
CPU-GPU 异构计算平台 Shark 应用：GPLearn 自动因子挖掘
Shark GPLearn2.1 功能介绍Shark GPLearn 是基于 Shark 异构计算平台的高性能因子挖掘模块，可以直接从 DolphinDB 中读取数据，并调用 GPU 进行自动因子挖掘与因子计算 目前 Shark 支持的算子详见 Shark GPLearn 快速上手。 的结果表resShark GPLearn 返回的表达式以及适应度结果如下所示，可以发现 Shark GPLearn 完全拟合了目标函数：3. 性能对比为了进一步地展现 Shark GPLearn 的强大性能，本文在相同测试环境与测试条件下，对于 Shark GPLearn 、 Python GPLearn 与 Python Deap 进行了性能对比 4.1 测试条件设置考虑到 Shark GPLearn 的参数较为丰富，本次只设置 Shark GPLearn、Python GPLearn 与 Python Deap 共有的参数。
28010编辑于 2026-03-13- 来自专栏量化小白上分记
符号回归和遗传规划
本文使用python的gplearn包实现符号回归。 数据准备 本文内容主要参考[1]。假设现在有两个自变量X1,X2，与因变量的关系为 ? 上述非线性的方程在X0,X1取值[-1,1]的情况下，图像如下，代码文件获取后台回复“gplearn”。 遗传规划 关于gplearn就不过多说明了，个人感觉它是python中快速实现遗传规划最好用的包，类似的包还有deap，但deap如果要做向量的模型，需要改很多代码，放弃了。 其次，符号回归需要事先给出一些运算符号，gplearn中内置的运算符包括加减乘除、开方、对数、三角函数等，详细见下图，用户也可以自定义一些运算符 ? _program) 这里需要说明的是，gplearn中的print是被重写过的，print之后会输出最终的符号回归形式，上述代码运行后的结果如下 ?
6.3K32发布于 2019-10-17 - 来自专栏联远智维
回归分析（二）——符号回归
用Python gplearn 解决符号回归问题 Python gplearn 工具箱在进行符号回归时函数库中函数有：'add'：加法 'sub'：减法 'mul'：乘法 'div'：除法 'sqrt neg'：相反数 'inv'：倒数 'max'：最大值 'min'：最小值 'sin'：正弦（弧度） 'cos'：余弦（弧度） 'tan'：正切（弧度） 简答实例（程序源码）： from gplearn.genetic
4.1K20编辑于 2022-01-20 - 来自专栏木东居士的专栏
特征工程系列：笛卡尔乘积特征构造以及遗传编程特征构造
2.gplearn 目前，python 环境下最好用的基因编程库为gplearn。虽然遗传编程 (GP) 可以用来执行非常广泛的任务，但是 gplearn 有目的地约束了符号回归问题。 gplearn 这个库提供了解决的思路： 随机化生成大量特征组合方式，解决了没有先验知识，手工生成特征费时费力的问题。 3.遗传编程的用法 gplearn 的主要组成部分有两个：SymbolicRegressor 和 SymbolicTransformer 。两者的适应度有所不同。 E6%97%B6%E9%97%B4.html [2] https://www.cnblogs.com/nxf-rabbit75/p/11141944.html#_nav_12 [3] https://gplearn.readthedocs.io /en/stable/examples.html#symbolic-classifier [4] 利用 gplearn 进行特征工程. https://bigquant.com/community/t/
2.6K41发布于 2019-10-15 - 来自专栏量化小白上分记
基于遗传规划的行业因子挖掘
常用的开源模块如下 最后综合各种资料，决定用gplearn来搞，很早之前发了一篇关于gplearn遗传规划的推文:符号回归和遗传规划，大概学了一下gplearn怎么用，有兴趣可以看一看。 02 遗传规划原理和gplearn 原理这部分主要参考文献[1][2]，讲的比较详细，就直接贴图了，细节见文献。 关于gplearn的说明，细节可以看之前的文章和文献，这里给一张参数说明表 这张表只总结了主要参数，还有几个参数没有提到 比如feature_name是对输入的变量进行命名，如果不指定，最终输出结果的变量名为 03 遗传规划下的行业量价因子挖掘 本文使用中信一级行业指数进行行业因子挖掘，基于gplearn，需要完成的内容包括： 运算符(function set)定义 主要参考下表 自定义运算符部分代码如下 有个问题是很多公式都重复了，这个gplearn没有办法避免，手动去重吧。
2.8K10编辑于 2023-04-03 - 来自专栏Python项目实战
当AI学会“做实验”：自动化科研的下一个奇点？
可以用 gplearn 或 PySR 做符号回归。 from gplearn.genetic import SymbolicRegressorimport numpy as npX = np.random.rand(100, 2)y = 3 * X[:,
22500编辑于 2025-07-01 - 来自专栏木东居士的专栏
特征工程系列：GBDT特征构造以及聚类特征构造
E2%80%94%E6%97%B6%E9%97%B4.html https://www.cnblogs.com/nxf-rabbit75/p/11141944.html#_nav_12 https://gplearn.readthedocs.io /en/stable/examples.html#symbolic-classifier 利用 gplearn 进行特征工程. https://bigquant.com/community/t/topic
2.2K30发布于 2019-10-30 - 来自专栏木东居士的专栏
特征工程系列：自动化特征构造
E6%97%B6%E9%97%B4.html [2] https://www.cnblogs.com/nxf-rabbit75/p/11141944.html#_nav_12 [3] https://gplearn.readthedocs.io /en/stable/examples.html#symbolic-classifier [4] 利用 gplearn 进行特征工程. https://bigquant.com/community/t/
1.9K21发布于 2019-12-10 - 来自专栏数据分析与挖掘
pycaret之训练模型（创建模型、比较模型、微调模型）
create_model('lightgbm', learning_rate = i) for i in np.arange(0.1,1,0.1)] # train custom model from gplearn.genetic create_model('lightgbm', learning_rate = i) for i in np.arange(0.1,1,0.1)] # train custom model from gplearn.genetic
2.7K10发布于 2020-10-27 - 来自专栏DeepHub IMBA
深度特征合成与遗传特征生成，两种自动特征生成策略的比较
注意：ATOM 在底层使用 gplearn 包来运行 GFG。
61830编辑于 2022-03-12 - 来自专栏木东居士的专栏
特征工程系列：聚合特征构造以及转换特征构造
E6%97%B6%E9%97%B4.html [2] https://www.cnblogs.com/nxf-rabbit75/p/11141944.html#_nav_12 [3] https://gplearn.readthedocs.io /en/stable/examples.html#symbolic-classifier [4] 利用 gplearn 进行特征工程. https://bigquant.com/community/t/
3.2K20发布于 2019-10-12 - 来自专栏数据派THU
深度特征合成与遗传特征生成，两种自动特征生成策略的比较
注意：ATOM 在底层使用 gplearn 包来运行 GFG。
88020编辑于 2022-03-17 - 来自专栏Python数据科学
特征工程系列：聚合特征构造以及转换特征构造
E6%97%B6%E9%97%B4.html [2] https://www.cnblogs.com/nxf-rabbit75/p/11141944.html#_nav_12 [3] https://gplearn.readthedocs.io /en/stable/examples.html#symbolic-classifier [4] 利用 gplearn 进行特征工程. https://bigquant.com/community/t/
1.1K30发布于 2019-10-14 - 来自专栏SAMshare
特征工程系列：时间特征构造以及时间序列特征构造
E6%97%B6%E9%97%B4.html [2] https://www.cnblogs.com/nxf-rabbit75/p/11141944.html#_nav_12 [3] https://gplearn.readthedocs.io /en/stable/examples.html#symbolic-classifier [4] 利用 gplearn 进行特征工程. https://bigquant.com/community/t/
1.5K40发布于 2019-12-04 - 来自专栏木东居士的专栏
特征工程系列：时间特征构造以及时间序列特征构造
E6%97%B6%E9%97%B4.html [2] https://www.cnblogs.com/nxf-rabbit75/p/11141944.html#_nav_12 [3] https://gplearn.readthedocs.io /en/stable/examples.html#symbolic-classifier [4] 利用 gplearn 进行特征工程. https://bigquant.com/community/t/
6.1K42发布于 2019-11-11 - 来自专栏小小挖掘机
特征工程|空间特征构造以及文本特征构造
E6%97%B6%E9%97%B4.html [2] https://www.cnblogs.com/nxf-rabbit75/p/11141944.html#_nav_12 [3] https://gplearn.readthedocs.io /en/stable/examples.html#symbolic-classifier [4] 利用 gplearn 进行特征工程. https://bigquant.com/community/t/
1.6K10发布于 2019-12-11 - 来自专栏木东居士的专栏
特征工程系列：空间特征构造以及文本特征构造
E6%97%B6%E9%97%B4.html [2] https://www.cnblogs.com/nxf-rabbit75/p/11141944.html#_nav_12 [3] https://gplearn.readthedocs.io /en/stable/examples.html#symbolic-classifier [4] 利用 gplearn 进行特征工程. https://bigquant.com/community/t/
1.6K40发布于 2019-12-10 - 来自专栏飞总聊IT
一文讲解特征工程 | 经典外文PPT及中文解析
线性算法的非线性编码 硬编码非线性以改善线性算法（hash、各类embedding等） 多项式编码 Leafcoding（随机森林嵌入）（acebook的gbdt+lr这种思路） 遗传算法（典型代表gplearn
97420发布于 2019-10-28 - 来自专栏小小挖掘机
一文讲解特征工程 | 经典外文PPT及中文解析
线性算法的非线性编码 硬编码非线性以改善线性算法（hash、各类embedding等） 多项式编码 Leafcoding（随机森林嵌入）（acebook的gbdt+lr这种思路） 遗传算法（典型代表gplearn
1.3K10发布于 2019-10-15 - 来自专栏Datawhale专栏
一文讲解特征工程 | 经典外文PPT及中文解析
线性算法的非线性编码 硬编码非线性以改善线性算法（hash、各类embedding等） 多项式编码 Leafcoding（随机森林嵌入）（acebook的gbdt+lr这种思路） 遗传算法（典型代表gplearn
1.2K20发布于 2019-10-12
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号