目录

MATLAB版本SISSO

misaraty 收录于学术

2025-12-19 约 689 字预计阅读 2 分钟

目录

前言

Sure Independence Screening and Sparsifying Operator (SISSO)是一款基于压缩感知理论的符号回归方法，由上海大学欧阳润海教授参与开发和维护，其核心思想是通过Sure Independence Screening (SIS)+Sparsifying Operator (SO)策略，在高维特征空间中高效筛选解析模型。

本文基于SISSORegressor_MATLAB进行了适度修改，发布了mSISSO_MATLAB。

原版SISSO

Fortran实现的SISSO官方版本，功能最为完整。

MATLAB版本SISSO

mSISSO_MATLAB_v1

基于SISSORegressor_MATLAB。
将原始多文件结构整合为单个.m文件，命名为mSISSO_MATLAB_v1.m。保留了SISSO的核心思想与基本流程。
运行结果：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13


Fitting 'small' data: 82 data points, 115 features.
Searching for models up to 3 dimemsions, considering 10 new features per iteration.
          RMSE            Model
1D:	0.296696	1.922 - 0.478 (r_p(A)+r_d(B)) 
2D:	0.218070	7.495 - 3.483 (r_p(A)+r_d(B)) + 0.392 (r_p(A)+r_d(B))^2 
3D:	0.193928	7.280 - 3.528 (r_p(A)+r_d(B)) + 0.405 (r_p(A)+r_d(B))^2 + 0.293 |r_s(A)-r_d(B)| 
 
Fitting 'big' data: 82 data points, 3391 features.
Searching for models up to 3 dimemsions, considering 26 new features per iteration.
          RMSE            Model
1D:	0.137310	-0.327 - 0.055 (IP(A)+IP(B))/r_p(A)^2 
2D:	0.100216	-0.145 + 0.114 |IP(B)-EA(B)|/r_p(A)^2 - 1.482 |r_s(A)-r_p(B)|/exp(r_s(A)) 
3D:	0.076428	-0.005 + 0.109 |IP(B)-EA(B)|/r_p(A)^2 - 1.766 |r_s(A)-r_p(B)|/exp(r_s(A)) - 6.032 |r_s(B)-r_p(B)|/(r_p(B)+r_d(A))^2 

mSISSO_MATLAB_v2

同样采用单个.m文件的形式。
与v1的共同点：对输入数据进行标准化处理（对每一列特征执行mean/scale标准化）；采用SIS进行候选特征筛选；采用SO完成稀疏模型构建。
相比v1的主要改进：在描述符构造层面进行了扩展，引入更灵活、稳健的特征生成方式；增加了Train/Validation/Test数据划分流程；明确输出R2、MAE、RMSE等回归评价指标，用于模型泛化性能评估。

Python版本SISSO

pysisso

pysisso

tutorial-compressed-sensing

NOMAD Virtual Tutorial Series发布了教程Symbolic regression via compressed sensing: a tutorial。
Luigi Sbailo也将该教程发布于tutorial-compressed-sensing。

C++版本SISSO

sissopp