数式回帰の式探索

数値データから簡潔な数式構造を探索し、訓練誤差・複雑度・未使用データの予測誤差を比較。

欠測は0として扱いません。holdoutの観測は学習・探索・モデル選択に使いません。

数式は探索範囲内の近似であり、見つかった式を物理法則と解釈できるとは限りません。

項目を入力・選択してから「計算する」を押してください。

必要な入力・選択は1項目です。

XY観測データ必須
行xy操作
1
2
3
4
5
6
7
8

2列を左端の欄へタブ区切りで貼り付けられます。200行まで。

1行が1組のx,yです。空欄行は末尾だけ省略できます。TSVを2列で貼り付けられます。8行以上入力してください。

例:秒。式内ではxを学習データのスケールで無次元化します。

例:m。係数・切片もyの単位で表示します。

空欄は+ − ×を使用します。

空欄は2乗のみを使用します。

既定は候補を棄却。保護演算は分母の下限・abs/log・abs/sqrt・expの入力範囲を固定変換します。

空欄時9。式木の節点と学習する係数・切片のコストを数えます(5~14)。

空欄時0.005。学習MSE/学習分散 + ペナルティ×複雑度でPareto候補から選びます(0~0.2)。

空欄時1。0~4294967295の整数。holdout分割と候補探索の再現に使用します。

空欄時180。異なる候補式を20~600件まで調べます。CPU使用量には別途上限があります。


計算結果

値を入力して計算してください。

お気に入り一覧

計算方法・適用範囲・出典

計算方法

z = x / max(|x_train|)、学習行だけで y ≈ a φ(z) + b のa,bを最小二乗推定。構造の複雑度 = φの節点数 + 4(係数2・外側の積/和2)。定数モデルの複雑度は1。Pareto支配は学習MSEと複雑度で定義。候補選択=学習MSE/学習分散+λ×複雑度(学習分散が0の場合のみ分母1)。RMSE=sqrt(Σ(実測−予測)²/n)。検証用20%はseed固定で事前分割し、選択に使用しない。

選択式、Pareto候補、学習・holdout RMSE、各行の残差と分割区分。

計算例(架空の数値)

例:x=[-3,-2,-1,0,1,2,3,4]、y=2x+1 では、学習行のxを無次元化したzの1次式で近似できます。

適用対象と限界

実数x,yの独立観測。単一説明変数の低次元回帰。xの異なる学習観測が2点以上あるデータ。PySR / SymbolicRegression.jlと同等の探索・式保証、単位からの物理法則判定、任意関数や任意JS実行、多変量入力、欠測補完、外挿保証は対象外。。

方法と出典

方法:E2228 bounded-structure-search 1.0 (2026-11-15)。データ記録日:2026-11-15。