PySR
Leistungsstarke symbolische Regression und Gleichungsfindung in Python und Julia.
Leistungsstarke genetische Algorithmen für interpretierbares maschinelles Lernen in Python und Julia.
PySR ist ein Open-Source-Tool zur symbolischen Regression, das nach interpretierbaren mathematischen Ausdrücken sucht, die zu Ihren Daten passen. Es eignet sich für Data Scientists und Forscher, die erklärbare Modelle statt undurchsichtiger Black-Box-Vorhersagen benötigen.
Was es ist
Das Tool verwendet evolutionäre Algorithmen, die von einer performanten Julia-Suchmaschine unterstützt werden, um explizite analytische Gleichungen zu finden. Es bietet scikit-learn-kompatible Syntax, benutzerdefinierte Operatoren, Verlustfunktionen und gibt Formeln im SymPy-, JAX- oder PyTorch-Format aus.
Für wen
Es eignet sich für Data Scientists, die an niedrigdimensionalen Datensätzen arbeiten oder eine symbolische Distillation von neuronalen Netzen durchführen. Es ist nicht geeignet für Teams, die traditionelle Gradient-Boosting-Tabellen suchen oder gemischte Python- und Julia-Laufzeitabhängigkeiten nicht verwalten können.
Wichtige Funktionen
Scikit-Learn-Schnittstelle
Passt Modelle mit der für Python-Entwickler vertrauten Standard-fit- und predict-Syntax an.
Multi-Format-Export
Konvertiert gefundene Gleichungen direkt in SymPy-, JAX- oder PyTorch-Formate.
Benutzerdefinierte Operatoren
Unterstützt benutzerdefinierte mathematische Operatoren und in Julia-Syntax geschriebene Verlustfunktionen.
Symbolische Distillation
Konvertiert trainierte neuronale Netze in analytische Gleichungen, um Deep-Learning-Modelle zu interpretieren.
Startklar in 3 Schritten
Unser ehrliches Fazit
Stärken
- Dramatisch schnellere Suchen dank einer zugrunde liegenden Julia-Ausführungsengine
- Gibt vollständig differenzierbare Ausdrücke aus, die mit JAX und PyTorch kompatibel sind
- Ermöglicht das Injizieren benutzerdefinierter Operatoren und Verlustfunktionen
- Enthält eine Warm-Start-Funktion, um Suchen fortzusetzen, ohne den Status zu verlieren
Schwächen
- Erfordert sowohl Python- als auch Julia-Laufzeiten, was zu komplexen Umgebungsproblemen führen kann
- Anfällig für schwerwiegende Importabstürze bei Konflikten mit Systembibliothekenpfaden wie libstdc++
- Die symbolische Regression skaliert bei hochdimensionalen Datensätzen ohne vorherige Reduzierung der Merkmale schlecht
Preise & Lizenz
Kostenlos unter der Apache-2.0-Lizenz. Die einzigen Kosten sind die lokale Rechenleistung und die Zeit, die für die Durchführung der evolutionären Suche erforderlich sind.
Stellen für Deutschsprachige
873 offene Remote-Stellen im KI-Training, aktualisiert am 15. November 2026; die meisten zahlen $20–$170 pro Stunde. 12 davon suchen Deutschsprachige. Zekai listet sie kostenlos; die Bewerbung läuft über die Plattform des Arbeitgebers.
Alternativen
Diese bewerteten KI-Tools erledigen die Aufgabe sofort — aus unserem bewerteten Verzeichnis.
Nutze es, oder lass es uns einrichten
FAQ
Warum benötigt PySR Julia?
PySR verwendet eine performante Julia-Bibliothek namens SymbolicRegression.jl als zugrunde liegende Suchengine, um Millionen von Mutationen genetischer Algorithmen schnell auszuführen.
Wie kann ich Gleichungen in Deep-Learning-Frameworks exportieren?
Sie können model.jax() oder model.pytorch() für ein angepasstes Modell aufrufen, um differenzierbare Ausdrücke zu erhalten, die für Deep-Learning-Pipelines bereit sind.
