gplearn中SymbolicRegressor的参数介绍
population_size : 整数，可选(默认值=1000)种群规模(每一代个体数目即初始树的个数)。
generations : 整数，可选(默认值=20)要进化的代数。
tournament_size : 整数，可选(默认值=20)进化到下一代的个体数目(从每一代的所有公式中，tournament_size个公式会被随机选中，其中适应度最高的公式将被认定为生存竞争的胜利者，进入下一代。tournament_size的大小与进化论中的选择压力息息相关：tournament_size越小，选择压力越大，算法收敛的速度可能更快，但也有可能错过一些隐藏的优秀公式)。
stopping_criteria : 浮点数，可选(默认值=0.0)停止条件。
const_range : 两个浮点数组成的元组，或none，可选(默认值=(-1，1))公式中所要包含的常量取值范围。如果设为none，则无常数。
init_depth : 两个整数组成的元组，可选(默认值=(2，6))用来表示原始公式初始总体的树深度范围，树的初始深度将处在(min_depth, max_depth)的区间内(包含端点)。原始公式初始总体的树深度范围，单个树将随机选择此范围内的最大深度。
init_method : 字符串, 可选(默认值=‘half and half’)控制每棵公式树的初始化方式，有三种策略：
grow：公式树从根节点开始生长。在每一个子节点，gplearn会从所有常数、变量和函数中随机选取一个元素。如果它是常数或者变量，那么这个节点会停止生长，成为一个叶节点。如果它是函数，那么它的两个子节点将继续生长。用grow策略生长得到的公式树往往不对称，而且普遍会比用户设置的最大深度浅一些；在变量的数量远大于函数的数量时，这种情况更明显。
full：除了最后一层外，其他所有层的所有节点都是内部节点——它们都只是随机选择的函数，而不是变量或者常数。最后一层的叶节点则是随机选择的变量和常数。用full策略得到的公式树必然是perfect binary tree。
half and half：一半的公式树用grow策略生成，另一半用full策略生成。因为种群的多样性有利于生存，所以这是init_method参数的默认值。
function_set : 字符串, 用于符号回归的函数，包括gplearn原始提供以及自定义
metric : 字符串, 目标函数(损失函数) (默认值=‘MAE’(平均绝对误差))，此外还包括gplearn提供的mse等，也可以自定义。
parsimony_coefficient (简约系数): 浮点数或 “auto”, 可选 (默认值=0.001)用于惩罚过于复杂的公式。简约系数往往由实践验证决定。如果过于吝啬（简约系数太大），那么所有的公式树都会缩小到只剩一个变量或常数；如果过于慷慨（简约系数太小），公式树将严重膨胀。不过，gplearn已经提供了’auto’的选项，能自动控制节俭项的大小。
类似
p_crossover : 浮点数, 可选 (默认值=0.9)对胜者进行交叉的概率，用于合成新的树
p_subtree_mutation : 浮点数, 可选 (默认值=0.01)控制胜者中进行子树变异的比例(优胜者的一棵子树将被另一棵完全随机的全新子树代替)所选值表示进行子树突变的部分。
p_hoist_mutation : 浮点数, 可选 (默认值=0.01) 控制进行hoist变异的比例，hoist变异是一种对抗公式树膨胀（bloating，即过于复杂）的方法：从优胜者公式树内随机选择一个子树A，再从A里随机选择一个子树B，然后把B提升到A原来的位置，用B替代A。hoist的含义即「升高、提起」。
p_point_mutation : 浮点数, 可选 (默认值=0.01)控制点进行突变的比例
p_point_replace : 浮点数, 可选 (默认值=0.05)对于点突变时控制某些点突变的概率。
max_samples : 浮点数, 可选 (默认值=1.0)从样本中抽取的用于评估每个树(成员)的百分比
feature_names : list(列表), 可选 (默认值=None)因子名(或特征名)若为none则用x0，x1等表示。
warm_start : 布尔型, 可选 (默认值=False)用于选择是否使用之前的解决方案
low_memory : 布尔型, 可选 (默认值=False)用于选择是否只保留当前一代
n_jobs : 整数，可选(默认值=1)用于设置并行计算的操作
verbose : 整数，可选(默认值=0)类似TensorFlow，keras中的verbose
verbose：日志显示
verbose = 0 为不在标准输出流输出日志信息
verbose = 1 为输出进度条记录
verbose = 2 为每个epoch输出一行记录
但略有不同
random_state(不怎么用，不清楚) : 整数, RandomState实例 或者 None, 可选(默认值=None)如果是int，则random_state是随机数生成器使用的种子；如果是random state实例，则random_state是随机数生成器；如果没有，则随机数生成器是使用的RandomState实例按“np.random”。