Символическая регрессия похожа на поиск идеального математического уравнения для описания набора данных. Представьте, что у вас есть множество точек данных, и вы хотите найти лучший способ их математического представления. Вот тут-то и появляется SR. Он просматривает огромное количество математических выражений, ища то, которое не только точно соответствует данным, но и достаточно просто для понимания людьми.

Вот пример: вы наверняка слышали об индексе массы тела (ИМТ). Формула довольно проста: ИМТ определяется как масса тела, деленная на квадрат роста.

Но что выражает эта формула? Его часто считают оценкой процентного содержания жира в теле человека и, следовательно, мерой недостаточного или избыточного веса.

Но на самом деле это очень плохая оценка. Алгоритм машинного обучения легко обучить, он намного точнее, но при этом есть риск потерять простую интерпретируемость формулы. Теперь символическая регрессия предлагает способ найти лучшую и точную формулу, сохраняя при этом интерпретируемость. На самом деле это именно то, что делает эта исследовательская работа:

Слияние информации посредством символической регрессии: Учебное пособие в контексте здоровья человека (к сожалению, не в открытом доступе)

Возможно, вы слышали о так называемом символическом ИИ или старом добром ИИ (GOFAI), который представляет собой подход к искусственному интеллекту, который фокусируется на использовании символов и правил для представления знаний и управления ими. Символическая регрессия — это особый метод в этой более широкой области ИИ. Он также имеет дело с символами, но вместо того, чтобы манипулировать общими знаниями, он фокусируется на поиске математических моделей для наборов данных.

Среди различных методов, используемых в символической регрессии, QLattice показал многообещающие результаты. Он занял первое место в синтетическом треке конкурса SRBench 2022 года, на котором тестировались ведущие алгоритмы SR на различных типах задач с данными. Это демонстрирует способность QLattice исключительно хорошо работать в различных сценариях.

Алгоритм QLattice разработан, чтобы быть эффективным и интуитивно понятным. Он исследует вселенную математических выражений и со временем развивается, улучшая понимание данных и находя наилучшие возможные модели. Это как иметь рядом с собой умного математика, который выясняет основные закономерности и взаимосвязи, скрытые в данных.

Но почему вас это должно волновать? Что ж, SR и, в частности, алгоритм QLattice, могут изменить правила игры во многих областях, от физики до здравоохранения. Это помогает нам понять сложные явления, раскрывая самые простые и наиболее точные математические представления. Это, в свою очередь, может помочь нам принимать более обоснованные решения и разрабатывать более эффективные решения для широкого спектра приложений.

Таким образом, символическая регрессия — это захватывающая и мощная техника искусственного интеллекта, которая находится на пересечении математики, информатики и старой доброй человеческой интуиции. Алгоритм QLattice — один из наиболее многообещающих подходов в этой области, доказавший свою эффективность в различных задачах. Вместе они открывают новые возможности для понимания и раскрытия тайн, скрытых в окружающих нас данных.

Если вы просто хотите начать работу с символической регрессией, самый простой способ сделать это — использовать библиотеку feyn из python. Это дает вам прямой и немедленный доступ к мощности QLattice.

  • Документация по фейну: https://docs.abzu.ai/
  • Пакет Pypi: https://pypi.org/project/feyn/