研究人员开发了新的方法，通过采用描述长度（DL）和分数贝叶斯因子（FBF）标准来改进遗传编程在符号回归中的应用。这些标准有助于选择简洁且可泛化的表达式，从而缓解过拟合和结构膨胀问题，尤其是在存在噪声数据的情况下。该研究比较了不同的搜索和选择策略，发现使用DL/FBF进行后选择比传统的AIC/BIC基线能提高测试性能，而直接使用DL/FBF作为适应度函数可能导致过早收敛。 AI
影响 引入了改进遗传编程中模型选择的技术，有望提高符号回归模型的准确性和泛化能力。
排序理由 关于符号回归新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.22374v1 Announce Type: cross Abstract: Symbolic regression with genetic programming (GPSR) may suffer from overfitting and structural bloat, especially when noise is present. In this paper we evaluate description length (DL) and fractional Bayes factor (FBF) criteria a…
Symbolic regression with genetic programming (GPSR) may suffer from overfitting and structural bloat, especially when noise is present. In this paper we evaluate description length (DL) and fractional Bayes factor (FBF) criteria as principled, data-efficient alternatives to heuri…