Метод машинного обучения, который ищет математическую формулу для описания данных.Символьная регрессия — это разновидность машинного обучения, которая ищет математическую формулу, а не просто подбирает параметры заранее выбранного уравнения, чтобы наилучшим образом описать набор данных. В отличие от нейронных сетей, которые часто действуют как «черные ящики», символьная регрессия выдает выражения, понятные человеку, например F = G·m₁·m₂/r². Это делает ее мощным инструментом для научных открытий, поскольку она позволяет выявлять скрытую структуру природных явлений непосредственно из данных.
Концепция была популяризирована в 1990-х годах Джоном Козой в рамках генетического программирования, хотя более ранние работы по символьной регрессии с использованием генетических алгоритмов существовали уже в 1980-х годах.
Метод использует эволюционные алгоритмы или другие методы поиска для комбинирования базовых математических операций (+, −, ×, ÷, sin, exp и т. д.) в кандидатные формулы. Каждая формула оценивается по тому, насколько хорошо она предсказывает данные, и лучшие кандидаты подвергаются «мутации» и «скрещиванию» для получения новых поколений. Процесс повторяется до тех пор, пока не появится простая и точная формула, часто с учетом штрафа за сложность, чтобы избежать переобучения.
Она используется в физике для повторного открытия законов из экспериментальных данных, в инженерии для идентификации систем, а в финансах — для моделирования динамики рынка.
В 2019 году алгоритм символьной регрессии независимо переоткрыл закон всемирного тяготения Ньютона и другие фундаментальные уравнения физики на основе сырых наблюдательных данных.



















