PySR
Regresión simbólica de alto rendimiento y descubrimiento de ecuaciones en Python y Julia.
Algoritmos genéticos de alto rendimiento para aprendizaje automático interpretable en Python y Julia.
PySR es una herramienta de código abierto para regresión simbólica que busca expresiones matemáticas interpretables que se ajusten a tus datos. Está pensada para científicos de datos e investigadores que necesitan modelos explicables en lugar de predicciones opacas de caja negra.
Qué es
La herramienta utiliza algoritmos evolutivos respaldados por un motor de búsqueda en Julia de alto rendimiento para descubrir ecuaciones analíticas explícitas. Cuenta con una sintaxis compatible con scikit-learn, operadores personalizados, funciones de pérdida y genera fórmulas en formatos SymPy, JAX o PyTorch.
Para quién
Es adecuada para científicos de datos que trabajan en conjuntos de datos de baja dimensión o que realizan destilación simbólica de redes neuronales. No es adecuada para equipos que buscan tablas tradicionales de gradient boosting o aquellos que no pueden gestionar dependencias de tiempo de ejecución mixtas de Python y Julia.
Funciones clave
Interfaz Scikit-Learn
Ajusta modelos usando la sintaxis estándar fit y predict familiar para los desarrolladores de Python.
Exportación multiformato
Convierte las ecuaciones descubiertas directamente en formatos SymPy, JAX o PyTorch.
Operadores personalizados
Permite el uso de operadores matemáticos definidos por el usuario y funciones de pérdida personalizadas escritas en sintaxis de Julia.
Destilación simbólica
Convierte redes neuronales entrenadas en ecuaciones analíticas para interpretar modelos de deep learning.
Listo en 3 pasos
Nuestro veredicto honesto
Lo mejor
- Búsquedas drásticamente más rápidas impulsadas por un motor de ejecución subyacente en Julia
- Genera expresiones totalmente diferenciables compatibles con JAX y PyTorch
- Permite la inyección de operadores personalizados y funciones de pérdida personalizadas
- Incluye capacidad de inicio en caliente (warm-start) para reanudar búsquedas sin perder el estado
Sus límites
- Requiere entornos de ejecución tanto de Python como de Julia, lo que puede introducir problemas complejos en el entorno
- Propenso a fallos graves de importación si las rutas de las bibliotecas del sistema como libstdc++ entran en conflicto
- La regresión simbólica escala mal en conjuntos de datos de alta dimensión sin una reducción previa de características
Precios y licencia
Gratis bajo su licencia Apache-2.0. El único coste es la potencia de cálculo local y el tiempo necesarios para ejecutar la búsqueda evolutiva.
Empleos para hispanohablantes
876 puestos remotos abiertos de entrenamiento de IA, actualizados el 15 de noviembre de 2026; la mayoría paga $20–$170 por hora. 22 de ellos piden hispanohablantes. Zekai los lista gratis; la solicitud va a la plataforma del empleador.
Alternativas
Úsalo, o deja que lo configuremos
FAQ
¿Por qué PySR requiere Julia?
PySR utiliza una biblioteca de Julia de alto rendimiento llamada SymbolicRegression.jl como su motor de búsqueda subyacente para ejecutar millones de mutaciones de algoritmos genéticos rápidamente.
¿Cómo puedo exportar ecuaciones a frameworks de redes neuronales?
Puedes llamar a model.jax() o model.pytorch() en un modelo ajustado para obtener expresiones diferenciables listas para pipelines de deep learning.
