perpetual-ml/perpetual

解决的问题

PerpetualBooster 是一款梯度提升机 (GBM)，旨在消除耗时的超参数优化需求。它以单一 budget 参数取代复杂的调参，该参数控制模型的预测能力与泛化性，让用户能在单次执行中达到最佳准确度。

运作原理

本函数库以高性能 Rust 核心构建，提供 Python、R 与 Rust 的绑定。它利用泛化算法来防止过拟合，并允许用户通过增加 budget 参数来扩展预测能力。它支持 Polars/Arrow 的零拷贝 (zero-copy) 数据处理，并可将模型导出为 XGBoost 或 ONNX 格式以进行生产部署。

适用对象

希望在无需手动调整超参数的情况下获得梯度提升性能的数据科学家与机器学习工程师，以及需要在生产环境中进行高性能训练与推理的用户。

特色亮点

• 无需超参数： 使用 budget 参数取代传统调参。
• 多任务支持： 处理分类（二元与多元）、回归与排序。
• 因果机器学习与漂移监控： 内置支持估计处理效应与监控数据/概念漂移。
• 持续学习： 将计算复杂度从 O(n²) 降低至 O(n)。
• 互通性： 原生导出至 XGBoost 与 ONNX 格式。
• 可解释性： 内置 SHAP 值、部分依赖图 (PDP) 与特征重要性分析。