Enable javascript in your browser for better experience. Need to know to enable it? Go here.
更新于 : Apr 26, 2023
不在本期内容中
这一条目不在当前版本的技术雷达中。如果它出现在最近几期中,那么它很有可能仍然具有相关参考价值。如果这一条目出现在更早的雷达中,那么它很有可能已经不再具有相关性,我们的评估将不再适用于当下。很遗憾我们没有足够的带宽来持续评估以往的雷达内容。 了解更多
Apr 2023
Trial ?

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。

Apr 2021
Assess ?

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。

发布于 : Apr 13, 2021

下载 PDF

 

English | Español | Português | 中文

订阅技术雷达简报

 

立即订阅

查看存档并阅读往期内容