No centro de muitas abordagens à aprendizagem de máquina está a criação de um modelo a partir de um conjunto de dados de treinamento. Após o modelo ser criado, ele pode ser utilizado repetidas vezes. Entretanto, o mundo não é estacionário, e frequentemente o modelo precisa mudar em função do surgimento de novos dados. Simplesmente refazer a etapa de criação do modelo pode ser um processo lento e caro. A aprendizagem incremental visa resolver esse problema, tornando possível aprender a partir de fluxos de dados de forma incremental para reagir mais rápido a mudanças. Adicionalmente, os requisitos de memória e processamento são mais baixos e mais previsíveis. Nossa experiência prática com River continua sendo positiva. Vowpal Wabbit, que pode ser uma alternativa, tem uma curva de aprendizagem muito mais íngreme, e a API similar à Scikit oferecida por River o torna mais acessível a cientistas de dados.
No centro de muitas abordagens de aprendizado de máquina está a criação de um modelo a partir de um conjunto de dados de treinamento. Depois que um modelo é criado, ele pode ser usado repetidamente. No entanto, o mundo não é estático e, muitas vezes, o modelo precisa ser alterado conforme novos dados se tornam disponíveis. A simples reexecução da etapa de criação do modelo pode ser lenta e cara. O aprendizado incremental resolve esse problema, tornando possível aprender a partir de fluxos de dados de forma incremental para reagir às mudanças com mais rapidez. Como bônus, os requisitos de computação e memória são menores e previsíveis. Em nossas implementações, tivemos uma boa experiência com o framework River, mas até o momento adicionamos verificações, às vezes manuais, após atualizações no modelo.
