PySR
Régression symbolique haute performance et découverte d'équations en Python et Julia.
Algorithmes génétiques haute performance pour l'apprentissage automatique interprétable en Python et Julia.
PySR est un outil open source de régression symbolique qui recherche des expressions mathématiques interprétables correspondant à vos données. Il convient aux data scientists et aux chercheurs qui ont besoin de modèles explicables plutôt que de prédictions opaques.
Qu'est-ce que c'est
L'outil utilise des algorithmes évolutionnaires s'appuyant sur un moteur de recherche Julia haute performance pour découvrir des équations analytiques explicites. Il propose une syntaxe compatible scikit-learn, des opérateurs personnalisés, des fonctions de perte et exporte les formules aux formats SymPy, JAX ou PyTorch.
Pour qui
Il convient aux data scientists travaillant sur des ensembles de données à faible dimension ou effectuant la distillation symbolique de réseaux de neurones. Il ne convient pas aux équipes recherchant des tableaux de boosting de gradient traditionnels ou incapables de gérer des dépendances d'exécution mixtes Python et Julia.
Fonctionnalités clés
Interface Scikit-Learn
Ajuste les modèles en utilisant la syntaxe standard fit et predict familière aux développeurs Python.
Export multi-format
Convertit les équations découvertes directement aux formats SymPy, JAX ou PyTorch.
Opérateurs personnalisés
Prend en charge les opérateurs mathématiques définis par l'utilisateur et les fonctions de perte personnalisées écrites en syntaxe Julia.
Distillation symbolique
Convertit les réseaux de neurones entraînés en équations analytiques pour interpréter les modèles de deep learning.
Opérationnel en 3 étapes
Notre verdict honnête
Ses atouts
- Recherches considérablement plus rapides propulsées par un moteur d'exécution Julia sous-jacent
- Produit des expressions entièrement différentiables compatibles avec JAX et PyTorch
- Permet l'injection d'opérateurs et de fonctions de perte personnalisés
- Comprend une capacité de démarrage à chaud pour reprendre les recherches sans perdre l'état
Ses limites
- Nécessite les environnements d'exécution Python et Julia, ce qui peut introduire des problèmes d'environnement complexes
- Sujet à des plantages d'importation stricts si les chemins des bibliothèques système comme libstdc++ entrent en conflit
- La régression symbolique s'adapte mal aux ensembles de données à haute dimension sans réduction préalable des caractéristiques
Tarifs & licence
Gratuit sous licence Apache-2.0. Le seul coût est la puissance de calcul locale et le temps nécessaires pour exécuter la recherche évolutionnaire.
Missions pour francophones
873 missions ouvertes à distance en entraînement d’IA, mises à jour le 15 novembre 2026 ; la plupart paient $20–$170 de l’heure. 8 d’entre elles demandent des francophones. Zekai les liste gratuitement ; la candidature se fait sur la plateforme de l’employeur.
Alternatives
Ces outils IA évalués font le même travail instantanément — depuis notre annuaire noté.
Utilisez-le, ou laissez-nous l'installer
FAQ
Pourquoi PySR nécessite-t-il Julia ?
PySR utilise une bibliothèque Julia haute performance appelée SymbolicRegression.jl comme moteur de recherche sous-jacent pour exécuter rapidement des millions de mutations d'algorithmes génétiques.
Comment puis-je exporter des équations vers des frameworks de réseaux de neurones ?
Vous pouvez appeler model.jax() ou model.pytorch() sur un modèle ajusté pour obtenir des expressions différentiables prêtes pour les pipelines de deep learning.
