astroautomata/PySR

解決的問題

PySR 解決了尋找能擬合資料集的可解釋、解析式問題。與標準機器學習模型作為「黑箱」運作不同，PySR 透過符號回歸來發現實際的數學表達式，這些表達式能最佳化特定目標。

工作原理

PySR 使用以 Julia 編寫的高性能搜尋引擎（SymbolicRegression.jl），並透過 Python 接口存取。它透過執行數十萬次的變異與評估來搜尋符號表達式。也可用於「符號蒸餾」（Symbolic Distillation），將複雜的神經網路轉換為更簡單的解析式，使網路行為變得可解釋。

適用對象

專為需要明確數學公式而非僅預測結果的研究人員與資料科學家設計，特別適用於處理低維資料集或希望解釋深度神經網路的使用者。

特色亮點

• 高效率：採用多執行緒 Julia 後端，具備高速與可配置性。
• 靈活的運算子：支援自訂二元與一元運算子，並可設定特定複雜度限制。
• 可互操作性：可將學習到的方程式匯出為多種格式，包括 SymPy、JAX 與 PyTorch。
• scikit-learn 風格：提供熟悉的 PySRRegressor 接口，便於整合至 Python 工作流程中。