Gradient Boosting en Línea

Gradient Boosting en Línea adapta el marco de gradient boosting a entornos de streaming donde los datos llegan una muestra a la vez en lugar de un lote fijo. En cada paso, el modelo calcula un pseudo-residuo para la observación entrante y actualiza un aprendiz débil in situ, creciendo un conjunto aditivo sin almacenar ni revisitar datos pasados. Esto lo hace adecuado para predicciones en tiempo real y canalizaciones de streaming a gran escala donde la reentrenamiento desde cero es inviable.