astroautomata/PySR

解决的问题

PySR 解决了寻找能够拟合数据集的可解释、解析式的问题。与作为“黑箱”的标准机器学习模型不同，PySR 通过符号回归发现实际的数学表达式，以优化给定目标，使变量之间的潜在关系变得明确。

工作原理

PySR 提供了对用 Julia 编写的高性能搜索引擎（SymbolicRegression.jl）的 Python 接口。它使用多线程搜索过程，涉及数十万次突变和方程评估，以找到最佳拟合的符号表达式。它还可用于“符号蒸馏”（Symbolic Distillation），将复杂的神经网络转换为更简单的解析式，以帮助解释深度学习模型。

适用人群

专为需要透明、人类可读数学模型而非不透明预测的研究人员和数据科学家设计，尤其适用于处理低维数据集或希望解释神经网络的用户。

特色亮点

• 与 scikit-learn 兼容：使用熟悉的 .fit() 和 .predict() API。
• 高性能：利用 Julia 承担符号搜索的繁重计算任务。
• 可微分输出：可将学习到的方程导出为 JAX 和 PyTorch 格式。
• 高度可配置：允许用户定义自定义的二元和一元运算符、损失函数以及复杂度约束。
• 集成支持：内置技能，支持代码代理在智能体循环中使用 PySR。