River

许多机器学习方法的核心是从一组训练数据中创建模型。一旦创建了模型，它就可以一遍又一遍地使用。然而，世界并不是静止的，随着新数据的出现，模型往往需要更新。简单粗暴地重新训练模型可能会很慢，而且成本很高。增量学习的出现解决了这个问题，使得从数据流中不断学习成为可能，从而更快地对变化做出反应。其也有一些额外的好处：它对算力和内存的要求更低，而且可以预测。我们对 River 的实践体验仍然是正面的。Vowpal Wabbit 可以作为一个替代方案，但它的学习曲线更陡峭，而 River 提供的类似 Scikit 的 API 使 River 更容易被数据科学家所接受。

众多机器学习方法的核心皆在于从一组训练数据创建一个模型。一旦创建了模型，就可以反复使用它。然而世界并不是静止的，通常模型需要随着新数据的出现而改变。单纯地重新训练模型可能会非常缓慢和昂贵。增量学习解决了这个问题，它使从数据流中增量地学习成为可能，从而更快地对变化做出反应。作为额外的好处，计算和内存需求更低，而且是可预测的。我们在基于River框架的实现中积累了良好的经验，但到目前为止，我们需要在模型更新后增加校验，有时要手动进行。