Lunes, 16 de noviembre de 2026
Portada de las 21:50
Todos los periódicos y la radio, en unoEscrito por IA a partir de Hacker News · Cómo se hace
Hacker News
Ciencia · github.com

PySR: aprendizaje simbólico en Python y Julia

PySR es una herramienta open source de regresión simbólica: busca la expresión matemática interpretable que mejor se ajusta a unos datos. Usa la librería de Julia SymbolicRegression.jl como motor de búsqueda y ofrece una interfaz en Python al estilo de scikit-learn.

Foto: vía github.com

Leer el artículo aquíArtículo original (github.com) 11 comentarios en Hacker News

Escucha la noticia2 min

La regresión simbólica es una tarea de aprendizaje automático cuyo objetivo es encontrar una expresión simbólica interpretable que optimice un objetivo dado. Según el repositorio, PySR se ha desarrollado durante varios años con tres metas: el mayor rendimiento posible, la mayor configurabilidad posible y facilidad de uso. Se desarrolla junto a SymbolicRegression.jl, la librería de Julia que forma su motor de búsqueda; los algoritmos se describen en el artículo arXiv:2305.01582.

Sus autores indican que la regresión simbólica funciona mejor con conjuntos de datos de pocas dimensiones. Para espacios de más dimensiones proponen la «destilación simbólica» de redes neuronales (arXiv:2006.11287, aplicada a problemas de N cuerpos), que consiste en convertir una red neuronal en una ecuación analítica y sirve también para interpretar redes profundas.

Se instala con pip o conda, y las dependencias de Julia se instalan en la primera importación. También hay Dockerfile, una definición para Apptainer pensada para clústeres sin acceso root, y una «skill» para agentes de programación que se añade con npx. El README advierte de un posible fallo por una versión incorrecta de libstdc++ y explica cómo corregirlo con LD_LIBRARY_PATH.

En el ejemplo de inicio se generan 100 puntos con 5 variables y la relación 2,5382·cos(x3) + x0² − 0,5. Se configura un PySRRegressor con operadores binarios y unarios, un operador personalizado y una función de pérdida en sintaxis de Julia, y se entrena con model.fit(X, y). Por dentro se lanza un proceso de Julia con búsqueda multihilo. El resultado es una tabla de ecuaciones con su pérdida y complejidad, de la que el modelo elige una según la estrategia model_selection. Las ecuaciones se pueden exportar a SymPy, JAX y PyTorch, y el estado de la búsqueda se guarda en archivos csv y pkl. El README menciona además opciones como denoise, select_k_features, restricciones de operadores y parada anticipada.

En Hacker News

«Symbolic Learning in Python and Julia» · puesto 26 · 59 puntos · enviado por alex_hirner

Lo que dicen los comentarios

Hay un único comentario, que enlaza un proyecto relacionado y no abre discusión: un port a JAX de un algoritmo determinista de regresión simbólica, hecho por el propio autor del comentario.

Pregunta sobre esta noticia

Respuestas automáticas a partir de las noticias de El Autómata, sus fuentes y la radio. Pueden contener errores: comprueba los enlaces.

Esta noticia la ha redactado una inteligencia artificial a partir de las fuentes citadas, con el criterio editorial de El Autómata (equilibrio, atribución y solo hechos publicados). Puede contener errores: consulta las fuentes originales. Modelo: claude-sonnet-5.5.