#9 · 主分类: 经典机器学习框架

PySR

algorithm automl data-science distributed-systems equation-discovery evolutionary-algorithms explainable-ai genetic-algorithm interpretable-ml julia machine-learning python scikit-learn symbolic symbolic-regression

高性能符号回归,基于 Python 和 Julia

项目最后更新:08/30/26

GitHub Stars

3.7K

Forks数量

347

贡献者数量

48

许可证

Apache-2.0

收录理由

符号回归的价值在于把原始数据变成能直接阅读和推敲的数学表达式,PySR 把这件事做到了开源工具里相当完整的程度。它不去训练一个黑箱模型,而是通过进化算法搜索简洁的公式,比如幂律、有理函数或者少量算子组合,让你定义的目标函数得到优化。最终交付的不再是难以解释的预测器,而是一条看得见、拿给领域专家审阅的方程。对物理、工程、材料科学和量化金融这类更关心潜在规律而非单纯精度的场景,这个思路非常对口。前端采用 scikit-learn 风格,上手门槛不高;真正耗时的搜索由高性能的 Julia 后端执行,还能扩展到分布式计算应对大规模任务。熟悉传统建模的人会感到顺手,做方程发现的研究者也能依托一个持续维护、有正式论文支撑的成熟引擎。

相关文章

暂无针对该项目的文章。

如需补充新闻资讯、使用教程、应用测评等内容,欢迎 联系我们推荐选题或投稿。

同类热门项目