Detectar el sistema cristalino de las baterías de iones de litio es crucial para optimizar su rendimiento y seguridad. Comprender la disposición de átomos o iones dentro de los electrodos y electrolitos de la batería permite mejoras en la densidad de energía, estabilidad de ciclado y características de seguridad. Este conocimiento también guía el diseño de materiales y técnicas de fabricación, impulsando avances en la tecnología de baterías para diversas aplicaciones. En este documento, se utilizó un conjunto de datos públicamente disponible para desarrollar ecuaciones matemáticas (EM) utilizando un clasificador simbólico de programación genética (GPSC) para determinar el tipo de estructura cristalina en las baterías de Li-ion con un alto rendimiento de clasificación. El conjunto de datos consta de tres clases diferentes transformadas en tres conjuntos de datos de clasificación binaria utilizando un enfoque uno contra el resto. Dado que la variable objetivo de cada variación del conjunto de datos está desequilibrada, se emplearon varias técnicas de sobremuestreo para lograr variaciones equilibradas del conjunto de datos. El GPSC se entrenó en estas variaciones equilibradas del conjunto de datos utilizando un proceso de validación cruzada de cinco pliegues (5FCV), y se buscaron los valores óptimos de hiperparámetros de GPSC utilizando un método de búsqueda de valores de hiperparámetros aleatorios (RHVS). El objetivo era encontrar la combinación óptima de valores de hiperparámetros de GPSC para lograr el mayor rendimiento de clasificación. Después de obtener las EM utilizando el GPSC con el mayor rendimiento de clasificación, se combinaron y probaron en las variaciones iniciales del conjunto de datos de clasificación binaria. Según la investigación realizada, el conjunto de EM pudo detectar el sistema cristalino de las baterías de Li-ion con una alta precisión de clasificación (1.0).