online-ml/river

해결하는 문제

River는 스트리밍 데이터에서 머신러닝 모델을 학습하는 문제를 해결합니다. 고정된 데이터셋으로 모델을 학습하는 전통적인 배치 학습과 달리, River는 과거 데이터를 다시 방문할 필요 없이 새로운 데이터 포인트를 하나씩 학습할 수 있게 합니다. 이는 데이터가 지속적으로 흐르는 시나리오에서 특히 유용하며, 모델이 시간에 따른 데이터 분포 변화인 "개념 드리프트"에 강건해야 할 때 유용합니다.

작동 방식

River는 샘플을 순차적으로 처리하는 온라인 학습 인터페이스(learn_one / predict_one)를 구현합니다. 선형 모델, 의사결정 트리, 이상 탐지를 포함한 다양한 알고리즘을 제공하며, 이들은 단일 관측치를 기반으로 파라미터를 업데이트하도록 설계되었습니다. 또한 소규모 그룹으로 데이터를 처리해야 하는 사용자를 위해 선택적 pandas 의존성을 통한 미니 배치 처리를 지원합니다.

대상 사용자

이벤트 기반 프로덕션 환경에서 머신러닝을 구현해야 하거나, 처음부터 다시 학습하지 않고 새로운 데이터에 적응할 수 있는 모델을 원하는 개발자와 데이터 과학자를 위해 설계되었습니다.

주요 특징

• 포괄적인 알고리즘 스위트: 선형 모델, 랜덤 포레스트, 최근접 이웃, 이상 및 드리프트 탐지, 추천 시스템을 포함합니다.
• 사용자 친화적인 API: 명확성과 사용자 경험에 중점을 두며, scikit-learn과 유사한 모델 파이프라인 시스템을 제공합니다.
• 온라인 유틸리티: 스트리밍 데이터를 위한 내장 데이터셋, 온라인 통계, 메트릭, 전처리 도구를 제공합니다.
• 가벼운 코어: 핵심 인터페이스는 pandas에 의존하지 않아 단일 샘플 처리에 빠릅니다.