online-ml/river

解決的問題

River 解決了在串流數據上訓練機器學習模型的問題。與在固定數據集上訓練模型的傳統批次學習不同，River 允許模型逐個從新的數據點中學習，消除了重新訪問過去數據的需求，並使系統對概念漂移（隨時間變化的底層數據分佈變化）具有魯棒性。

工作原理

River 實現了一個串流介面，其中預測和模型更新是順序進行的。它提供了 learn_one 和 predict_one 模式，允許模型一次處理單個樣本。對於需要的人，它還透過 pandas 支援選用的微批次介面（learn_many、predict_many）。

適用對象

專為需要為基於事件的生產環境構建模型的開發人員和數據科學家，以及處理隨時間演變的數據的人士而設計。

亮點

• 多樣化的演算法套件：包括線性模型、決策樹、隨機森林、異常檢測、漂移檢測和推薦系統。
• Creme 與 Scikit-Multiflow 合併：結合了兩個成熟的在線機器學習函式庫的功能。
• 全面的工具集：提供在線統計、預處理、特徵提取和漸進式模型驗證。
• 使用者友好的 API：專注於清晰度和易用性，與 Python 生態系統無縫整合。