Backlog

• Hacer crossover y mutaciones más robustas evitando que se supere el max depth entre otras cosas... -> DONE

• Implementar losses (mae, rmse, mse, etc) -> DONE

• Añadir features de visualización de optimización -> DONE

  • Eje X Loss y eje Y complexity -> DONE
  • 1 Dataframe por cada generación -> DONE
  • Tener 1 dataframe con el mejor individuo por complexity -> DONE
  • Visualizar evolución (best_loss, worst_loss and mean_loss) -> DONE

• Revisar el perform selection y el tournament -> DONE

• Arreglar bug mutaciones si alguno de los operadores binarios, unarios o variables solo son 1. Loop infinito -> DONE

• Multiple populations in parallel with multiple subsets of symbols (find a good prior) META LEARNER

• Múltiples poblaciones a la vez ¿Con crossover entre poblaciones?

• Implementar Age regularization

• Implementar más mutaciones (if mutación then implementar aleatoriamente alguna de todas las opciones)

• Arreglo de el best siempre tiene que ser el que menos loss tiene y además menos complexity

• Convertir fórmulas en numpy a sympy

• Añadir constantes con optimización de constantes (scipy)

• Implementar operadores min, max, mean (esto podría ser interesante para el ML)

• Implementar benchmarks.py

  • Con esto podremos ir evaluando si los cambios ayudan a mejorar o no (mirar benchmarks de PySr)

• Probar métrica BIC, AIC o Weighted_IC:

  • BIC = n⋅ln(σ^2) + k⋅ln(n)
  • AIC = n⋅ln(RSS / n​) + 2⋅k
  • Weighted_IC = α⋅AIC+(1 − α)⋅BIC

• Divide and conquer approach

  • Generate a big subset of subexpressions
  • After generating a big subset of subexpressions (individuals), go to second stage. Search for combinations between them (Genetic Algorithms)