gplearn符号回归将数据集中多维数据降至一维代码

下面是使用gplearn符号回归将多维数据降至一维的代码示例：

from gplearn.genetic import SymbolicRegressor
from sklearn.datasets import load_boston

# 加载数据集
boston = load_boston()
X, y = boston.data, boston.target

# 创建符号回归器
est_gp = SymbolicRegressor(population_size=1000, generations=20, stopping_criteria=0.01,
                           p_crossover=0.7, p_subtree_mutation=0.1, p_hoist_mutation=0.05, 
                           p_point_mutation=0.1, max_samples=0.9, verbose=1, random_state=0)

# 训练符号回归器
est_gp.fit(X, y)

# 打印符号回归器的最佳表达式
print(est_gp._program)

# 使用符号回归器进行预测
y_pred = est_gp.predict(X)

# 打印预测结果
print(y_pred)

在上面的代码中，我们首先加载了波士顿房价数据集，并将数据和目标变量分别存储在X和y中。然后，我们创建了一个符号回归器，并使用fit方法训练了它。最后，我们使用predict方法使用符号回归器进行预测，并打印了预测结果。