3. 流式学习基础概念

在进入 River 的代码实战之前，我们必须先把几个高频术语的边界划清楚。很多初学者会把“在线学习”“增量学习”“实时预测”混为一谈，结果在模型选型、数据管道设计和评估方式上连续踩坑。本节的目标不是背定义，而是建立一张能指导工程决策的概念地图：什么场景该用哪种学习范式，批处理与流式处理的本质差异在哪里，以及概念漂移为什么是流式学习绕不开的核心挑战。

一、核心原理：四种范式的本质差异

在线学习（Online Learning）强调模型按样本到达顺序逐条更新，每来一个样本就做一次“预测—损失计算—参数更新”的闭环。它的关键特征是：模型始终可用、内存占用与历史数据量无关、能持续适应新数据。在线学习不要求数据分布稳定，因此天然适合非平稳环境。

增量学习（Incremental Learning）更强调“在已有模型基础上扩展能力”，典型场景是新增类别、新增特征或新增任务时，不遗忘旧知识。它关注的是知识累积，而在线学习关注的是逐样本适应。两者常一起出现，但目标不同：在线学习可以完全遗忘旧分布，增量学习则要尽量保留旧能力。

概念漂移（Concept Drift）指输入与输出之间的映射关系随时间发生变化。比如“用户点击广告的概率”会因季节、促销、竞品动作而改变。漂移分为突变型、渐变型、周期型和重复型。流式学习系统必须具备检测或适应漂移的能力，否则模型会悄悄失效。

实时预测与批处理的区别不在模型本身，而在数据到达方式与决策时限。批处理是“先攒数据、再训练、再批量打分”，实时预测是“数据一到就打分，模型可同步更新”。前者追求吞吐与全局最优，后者追求低延迟与持续适应。

二、方法流程：从数据到决策的闭环

一个典型的流式学习闭环包含五个环节，理解这个流程有助于你在 River 中定位每个 API 的职责：

1. 数据接入：从 Kafka、WebSocket 或文件流中逐条读取样本，形成 (x, y) 序列。
2. 预测：用当前模型对 x 输出预测 y_hat，此时模型尚未看到真实标签。
3. 损失计算：真实标签 y 到达后，计算损失，如对数损失或均方误差。
4. 模型更新：调用 learn_one(x, y) 更新参数，完成一次在线学习。
5. 漂移监控：持续统计误差、数据分布或特征重要性，触发告警或重置策略。

在 River 中，这个闭环被抽象为极简的 API：

from river import linear_model, metrics

model = linear_model.LogisticRegression()
metric = metrics.Accuracy()

for x, y in stream:
    y_pred = model.predict_one(x)      # 预测
    metric.update(y, y_pred)           # 评估
    model.learn_one(x, y)              # 更新

注意顺序：先预测、再评估、后更新。如果先更新再预测，就会造成“用未来信息预测过去”的数据泄漏，评估结果会虚高。

三、案例/场景：电商点击率预测

假设你在做一个电商首页的点击率预测系统。用户每次刷新页面产生一条曝光记录，包含用户特征、商品特征和上下文特征。业务要求：曝光后 50 毫秒内给出点击概率，用于决定是否展示该商品。

• 批处理方案：每天凌晨用前一天全量数据训练模型，白天用固定模型打分。问题是：上午爆款商品下午可能已过时，模型无法感知。
• 在线学习方案：用户点击后立即用这条样本更新模型，模型随流量实时演化。50 毫秒内完成预测，更新异步进行。
• 概念漂移应对：监控最近 1000 次预测的准确率，若连续下降超过阈值，则提高学习率或切换至滑动窗口训练。

四、误区/复盘：常见认知陷阱