PySR：用符号回归让 AI 公式可解释
Symbolic Learning in Python and Julia
PySR 是一款开源的符号回归工具，旨在从数据中自动发现可解释的数学公式。它巧妙地结合了 Python 的易用性和 Julia 的高性能计算能力，通过 SymbolicRegression.jl 驱动强大的搜索引擎。无论是处理低维数据集，还是利用符号蒸馏技术将复杂的神经网络转化为解析方程，PySR 都能提供透明且高效的解决方案。其接口设计类似 scikit-learn，支持自定义算子、损失函数及多进程搜索，让研究人员和开发者能够轻松挖掘数据背后的物理规律，同时实现对深度神经网络的黑盒解读。
这些工具同时提供了一种明确且强大的方式来解释深度神经网络。
- brumar
在符号/确定性语境下，我们如何衡量和比较预测质量，同时又能对模型复杂度进行惩罚？我在博士论文中为此绞尽脑汁，最终不得不自己实现一套 Minimum Description Length（最小描述长度）算法，因为我找不到适用的现成方案。我咨询的那些统计学家却一脸茫然：“别试图对符号模型做模型选择，先让它们变成概率模型，再从头开始搞吧。”
- jgalt212
有人试过把 n-body problem（多体问题）扔给这个工具吗？
- JanisErdmanis
这里的 Julia 部分是通过 JuliaC 编译的吗？如果不是，要怎么做才能实现编译？