PySR
Regressão simbólica de alto desempenho e descoberta de equações em Python e Julia.
Algoritmos genéticos de alto desempenho para aprendizado de máquina interpretável em Python e Julia.
O PySR é uma ferramenta de código aberto para regressão simbólica que busca expressões matemáticas interpretáveis para os seus dados. É ideal para cientistas de dados e pesquisadores que precisam de modelos explicáveis em vez de previsões opacas de caixa-preta.
O que é
A ferramenta utiliza algoritmos evolutivos apoiados por um mecanismo de busca em Julia de alto desempenho para descobrir equações analíticas explícitas. Possui sintaxe compatível com scikit-learn, operadores personalizados, funções de perda e gera fórmulas nos formatos SymPy, JAX ou PyTorch.
Para quem
É adequado para cientistas de dados que trabalham em conjuntos de dados de baixa dimensão ou realizam destilação simbólica de redes neurais. Não é adequado para equipes que buscam tabelas tradicionais de gradient-boosting ou aquelas incapazes de gerenciar dependências de tempo de execução mistas em Python e Julia.
Recursos principais
Interface Scikit-Learn
Ajusta modelos usando a sintaxe padrão fit e predict familiar aos desenvolvedores Python.
Exportação Multi-Formato
Converte equações descobertas diretamente para os formatos SymPy, JAX ou PyTorch.
Operadores Personalizados
Suporta operadores matemáticos definidos pelo usuário e funções de perda personalizadas escritas em sintaxe Julia.
Destilação Simbólica
Converte redes neurais treinadas em equações analíticas para interpretar modelos de deep learning.
Pronto em 3 passos
Nosso veredito honesto
Pontos fortes
- Buscas dramaticamente mais rápidas impulsionadas por um mecanismo de execução Julia subjacente
- Gera expressões totalmente diferenciáveis compatíveis com JAX e PyTorch
- Permite a injeção de operadores e funções de perda personalizados
- Inclui capacidade de warm-start para retomar buscas sem perder o estado
Onde deixa a desejar
- Requer ambientes de execução Python e Julia, o que pode introduzir problemas complexos de ambiente
- Propenso a falhas graves de importação se caminhos de bibliotecas do sistema como libstdc++ entrarem em conflito
- A regressão simbólica escala mal em conjuntos de dados de alta dimensão sem redução prévia de recursos
Preços & licença
Gratuito sob sua licença Apache-2.0. O único custo é o poder de computação local e o tempo necessários para executar a busca evolutiva.
Vagas para quem fala português
876 vagas remotas abertas de treinamento de IA, atualizadas em 15 de novembro de 2026; a maioria paga $20–$170 por hora. 8 delas pedem falantes de português. O Zekai lista de graça; a candidatura vai para a plataforma do empregador.
Alternativas
Use, ou deixe que a gente configure
FAQ
Por que o PySR requer o Julia?
O PySR usa uma biblioteca Julia de alto desempenho chamada SymbolicRegression.jl como seu mecanismo de busca subjacente para executar milhões de mutações de algoritmos genéticos rapidamente.
Como posso exportar equações para frameworks de redes neurais?
Você pode chamar model.jax() ou model.pytorch() em um modelo ajustado para obter expressões diferenciáveis prontas para pipelines de deep learning.
