SymLab — Laboratorio de Regresión Simbólica (Exactitud y Recuperación, Reportadas por Separado)
Un laboratorio público de investigación sobre regresión simbólica: recuperar una expresión explícita en forma cerrada desde datos, en vez de ajustar un predictor que nadie puede leer. Su razón de existir es una medición honesta: exactitud y recuperación estructural son afirmaciones distintas, y un método puede superar R2 sobre 0.999 devolviendo una estructura que no tiene nada en común con la ley que generó los datos. SymLab reporta las dos por separado, en cada caso, y nunca las promedia en un solo número. Corre varias familias de búsqueda (programación genética con escalado lineal y deduplicación, regresión rala) a presupuestos publicados, en vivo en el navegador, sobre leyes de benchmark donde la expresión verdadera se conoce.
Contexto de Negocio
En cualquier lugar donde un modelo deba ser confiable, explicable, o convertido en una ley en vez de una tabla de consulta (física, ingeniería, geometalurgia, cualquier entorno regulado), un modelo interpretable en forma cerrada vale mucho más que una caja negra de igual exactitud, pero solo si es la forma CORRECTA. SymLab es la vara honesta para eso: separa "ajusta bien" de "encontró la ley", que es justo la distinción que un tomador de decisiones necesita antes de confiar en una ecuación descubierta, y justo la distinción que la mayoría de las herramientas esconde.
Valor Estratégico
SymLab es un benchmark honesto con el método para regresión simbólica que rechaza el puntaje de un solo número que el campo asume por defecto. Al reportar exactitud y recuperación por separado sobre casos de ley conocida, entre familias de programación genética y regresión rala a presupuestos publicados, hace visible la falla que la literatura de solo-exactitud premia: un ajuste casi perfecto con la estructura equivocada. Es la misma disciplina que atraviesa el resto del portafolio, aplicada a la interpretabilidad: medir las dos afirmaciones por separado y dejar que la brecha honesta se vea.
El Desafío
La regresión simbólica promete lo que el machine learning simple no da: una ecuación que puedes leer, no una caja negra. Pero el campo se puntúa casi por completo en exactitud (R2 en datos retenidos), y la exactitud es la afirmación equivocada si el objetivo es descubrir. Un método puede ajustar una curva casi perfecto y devolver una expresión estructuralmente nada parecida a la ley subyacente. Reportado como un solo número promediado, esa falla es invisible, así que los benchmarks "resueltos" premian rutinariamente entregar la ecuación equivocada.
Nuestro Enfoque
SymLab hace de la medición el producto. En cada caso reporta exactitud (R2 en test) y recuperación estructural (la expresión devuelta coincidió con la ley verdadera) como dos columnas separadas, nunca promediadas. Corre familias de búsqueda sin nada en común sobre los mismos problemas a presupuestos publicados: programación genética (una base Koza, más variantes con escalado lineal y deduplicación) y regresión rala sobre una biblioteca de términos candidatos. Las leyes de benchmark son aquellas donde la expresión verdadera se conoce (por ejemplo el conjunto de Feynman), así que la recuperación se puntúa exacto por distancia de edición normalizada a la estructura verdadera, no se adivina. En la Gaussiana de Feynman, por ejemplo, la regresión rala alcanza R2 de 1 menos 1.8e-09 en efectivamente cero segundos y aun así no recupera la ley, y tampoco lo hace ninguna configuración de programación genética; todo benchmark de solo-exactitud puntuaría esto como resuelto. Corre en vivo en el navegador para que cualquiera vea un ajuste casi perfecto devolver la estructura equivocada.
Indicadores Clave de Rendimiento
| KPI | Línea Base | Resultado | Impacto |
|---|---|---|---|
| Exactitud vs recuperación | Un puntaje promediado (R2), que una ecuación equivocada puede ganar | Dos columnas separadas en cada caso: R2 en test Y recuperación estructural por distancia de edición a la ley verdadera | Ves cuándo un ajuste casi perfecto encontró la estructura equivocada |
| El caso de portada | Los benchmarks de solo-exactitud lo puntúan resuelto | Gaussiana de Feynman: regresión rala R2 = 1 - 1.8e-09 en ~0 s, recuperada = no; ninguna config GP la recupera tampoco | Un ejemplo concreto y en vivo de la brecha exactitud-recuperación |
| Familias de búsqueda | Un método | Programación genética (Koza, + escalado lineal, + deduplicación) y regresión rala, a presupuestos publicados | Dos familias sin nada en común, juzgadas de la misma forma honesta |
Arquitectura
symlab pipeline
Stack Tecnológico
Reel
Un reel corto y compuesto del producto.
En acción
Un recorrido corto por la app en vivo: la interfaz real, grabada desde el sitio desplegado.
Capturas de la Aplicación
