A regressão simbólica é uma tarefa difícil, por ter uma quantidade muito grande de parâmetros para ajustar - desde os coeficientes livres até a própria forma da função. No nosso caso, pode ser que a equação real não possa ser representada, os dados sejam muito ruidosos ou a quantidade de dados necessária seja maior do que a utilizada. Ainda assim, o algoritmo consegue ser capaz de apresentar bons resultados em diversos cenários.

Para qualificar as expressões criadas pelos algoritmos, usamos o score. O score é uma classificação para a expressão, de acordo com o quão bem esta expressão se ajusta ao DATASET de entrada, e varia de 0 a 1. O score é calculado por:

$$\small{ score = \frac{1}{(1 + MAE)} }$$

Onde o MAE (desvio médio absoluto) é igual ao somatório das diferenças entre os valores da variável dependente yi e os valores calculados pela expressão para Xi:

$$\small{ Mean Absolute Error\ (MAE) = \sum_{i=1}^{n}\frac{|y_{i} - \widehat{f}(X_{i})|}{n} }$$

Onde n é o tamanho da base de dados utilizada.