river

River - это библиотека Python для онлайн -машинного обучения. Он направлен на то, чтобы быть самой удобной библиотекой для выполнения машинного обучения по потоковым данным. Река является результатом слияния крема и Scikit-Multiflow.

⚡ QuickStart

В качестве бытового примера, мы будем обучать логистическую регрессию для классификации веб -сайта Phishing Dataset. Вот посмотрите на первое наблюдение в наборе данных.

 >>> из Pprint Import Pprint >>> из наборов данных импорта реки >>> dataSet = dataSets.phishing () >>> для x, y в наборе данных:
... pprint (x)
... Печать (y)
... Break {'age_of_domain': 1, 'archor_from_other_domain': 0,0, 'empty_server_form_handler': 0,0, 'https': 0,0, 'ip_in_url': 1, 'is_popular': 0,5, 'long_url': 1.0, 'opup_window' : 0.0, 'request_from_other_domain': 0.0} true

Теперь давайте запустим модель на наборе данных потоковым образом. Мы последовательно переплетаем прогнозы и обновления модели. Между тем, мы обновляем показатель производительности, чтобы увидеть, насколько хорошо работает модель.

 >>> из реки импорт Compose >>> из импорта реки Linear_model >>> из метрик импорта реки >>> из предварительной обработки реки >>> model = compose.pipeline (
... предварительная обработка. StandArdsCaler (),
... linear_model.logisticreGression ()
...) >>> metric = metrics.ccuracy () >>> для x, y в наборе данных:
... y_pred = model.predict_one (x) # Сделать прогноз ... metric.update (y, y_pred) # Обновить метрику ... model.learn_one (x, y) # заставьте модель изучать >>> метрикураствование : 89,28%

Конечно, это просто надуманный пример. Мы приветствуем вас, чтобы проверить раздел «Введение» документации на более тщательном учебном пособии.

Установка

Река предназначена для работы с Python 3.8 и выше . Установка может быть сделана с помощью pip :

 PIP установить реку

Есть колеса, доступные для Linux, MacOS и Windows. Это означает, что вам, скорее всего, не придется строить реку из источника.

Вы можете установить новейшую версию разработки от GitHub, как так:

 PIP установка GIT+https: //github.com/online-ml/river-up-upgrade
PIP установить git+ssh: //[email protected]/online-ml/river.git-облегчить # с помощью ssh

Этот метод требует установки цинтона и ржавчины на вашей машине.

Функции

River предоставляет онлайн -реализации следующего семейства алгоритмов:

• Линейные модели с широким спектром оптимизаторов

• Деревья решений и случайные леса

• (Приблизительно) ближайшие соседи

• Обнаружение аномалии

• Обнаружение дрейфа

• Рекомендованные системы

• Прогнозирование временных рядов

• Бандиты

• Машины факторизации

• Несбалансированное обучение

• Кластеризация

• Бэкинг/повышение/укладку

• Активное обучение

Ривер также предоставляет другие онлайн -коммунальные услуги:

• Извлечение и выбор функций

• Статистика онлайн и метрики

• Предварительная обработка

• Встроенные наборы данных

• Прогрессивная проверка модели

• Модель трубопроводов

Проверьте API для полного обзора

Стоит ли использовать реку?

Вы должны спросить себя, нужно ли вам онлайн -машинное обучение. Ответ, вероятно, нет. Большую часть времени Batch Learning отлично справляется. Онлайн -подход может соответствовать счету, если:

• Вам нужна модель, которая может учиться на новых данных без необходимости пересматривать прошлые данные.

• Вам нужна модель, которая надежна для концепции дрейфа.

• Вы хотите разработать свою модель таким образом, что это ближе к тому, что происходит в производственном контексте, который обычно основан на событиях.

Некоторые особенности реки таковы:

• Он фокусируется на ясности и пользовательском опыте, больше, чем производительность.

• Это очень быстро при обработке одного образца за раз. Попробуйте, вы увидите.

• Это хорошо играет с остальной экосистемой Python.

Полезные ссылки

• Документация

• Выпуск упаковки

• Потрясающий-найник-обучение

• 2022 Презентация в Гайе

• Онлайн кластеризация: алгоритмы, оценка, метрики, приложения и сравнительный анализ от KDD'22.

Внося

Не стесняйтесь вносить свой вклад в любое время, мы всегда открыты для новых идей и подходов.

• Откройте обсуждение, если у вас есть какие -либо вопросы или запрос. Более полезно задавать ваш вопрос на публике, а не отправлять нам личное письмо. Он также рекомендуется открыть дискуссию, прежде чем внести свой вклад, чтобы все были выровнены, а ненужная работа избегается.

• Получите желание открыть проблему, если вы думаете, что заметили ошибку или проблему с производительностью.

• Наша дорожная карта общедоступна. Не стесняйтесь работать над чем -либо, что бросается в глаза, или делать предложения.

Пожалуйста, ознакомьтесь с рекомендациями взноса, если вы хотите внести изменения в базу кода.

Цитирование

Если Ривер был полезен для вас, и вы хотели бы привести его в научной публикации, пожалуйста, обратитесь к статье, опубликованной на JMLR:

 @Article {montiel2021River, title = {River: машинное обучение для потоковых данных в Python}, Author = {Montiel, Jacob и Halford, Max и Mastelini, Saulo Martiello и Bolmier, Geoffrey и Sourty, Raphael и Vaysse, Robin and Zouitine, Adil, Adil, Adil, Adil, Adil и Gomes, Heitor Murilo and Read, Jesse и Abdessalem, Talel и другие}, Год = {2021}}

Лицензия

River-это бесплатное и программное обеспечение с открытым исходным кодом, лицензировано по лицензии BSD 3.