PySR
Высокопроизводительная символьная регрессия и поиск уравнений на Python и Julia.
Высокопроизводительные генетические алгоритмы для интерпретируемого машинного обучения на Python и Julia.
PySR — это open source инструмент для символьной регрессии, который выполняет поиск интерпретируемых математических выражений, соответствующих вашим данным. Он подходит для дата-сайентистов и исследователей, которым нужны объяснимые модели, а не непрозрачные прогнозы типа «черный ящик».
Что это
Инструмент использует эволюционные алгоритмы на базе высокопроизводительного поискового движка Julia для обнаружения явных аналитических уравнений. Он поддерживает синтаксис, совместимый с scikit-learn, пользовательские операторы, функции потерь, а также вывод формул в форматах SymPy, JAX или PyTorch.
Для кого
Он подходит для дата-сайентистов, работающих с наборами данных низкой размерности или выполняющих символьную дистилляцию нейронных сетей. Он не подходит командам, которым нужны традиционные таблицы на основе градиентного бустинга или тем, кто не может управлять смешанными зависимостями среды выполнения Python и Julia.
Ключевые возможности
Интерфейс Scikit-Learn
Обучает модели с помощью привычного для разработчиков Python синтаксиса fit и predict.
Экспорт в несколько форматов
Конвертирует обнаруженные уравнения напрямую в форматы SymPy, JAX или PyTorch.
Пользовательские операторы
Поддерживает пользовательские математические операторы и кастомные функции потерь, написанные на синтаксисе Julia.
Символьная дистилляция
Превращает обученные нейронные сети в аналитические уравнения для интерпретации моделей глубокого обучения.
Готово за 3 шага
Наш честный вердикт
Плюсы
- В разы более быстрый поиск благодаря нижележащему движку выполнения Julia
- Выводит полностью дифференцируемые выражения, совместимые с JAX и PyTorch
- Позволяет внедрять пользовательские операторы и функции потерь
- Включает функцию warm-start для возобновления поиска без потери состояния
Минусы
- Требует наличия сред выполнения Python и Julia, что может приводить к сложным проблемам с окружением
- Подвержен серьезным сбоям при импорте в случае конфликтов путей системных библиотек, таких как libstdc++
- Символьная регрессия плохо масштабируется на многомерных наборах данных без предварительного сокращения признаков
Цены и лицензия
Бесплатно по лицензии Apache-2.0. Единственные затраты — это локальная вычислительная мощность и время, необходимые для запуска эволюционного поиска.
Вакансии для носителей русского языка
870 открытых удалённых вакансий по обучению ИИ, обновлено 14 ноября 2026 г.; в большинстве оплата $20–$170 в час. Из них 2 — для носителей русского языка. Zekai публикует их бесплатно; отклик уходит на платформу работодателя.
Альтернативы
Используйте сами или мы всё настроим
Вопросы
Почему PySR требует Julia?
PySR использует высокопроизводительную библиотеку Julia под названием SymbolicRegression.jl в качестве основного поискового движка для быстрого выполнения миллионов мутаций генетического алгоритма.
Как экспортировать уравнения в фреймворки нейронных сетей?
Вы можете вызвать model.jax() или model.pytorch() для обученной модели, чтобы получить дифференцируемые выражения, готовые для пайплайнов глубокого обучения.
