在线算法(online algorithm)是什么意思？

离线算法是需要输入全部数据之后再开始训练模型。比如说一开始你有1万行数据，你用这个数据训练出了一个模型，当你又有了1千行新数据后，你需要把这1千行和原来的1万行数据合并起来，再重新训练模型。

在线算法则不需要重新训练，在线算法可以按批次接收数据、改进模型。比如说一开始你有1万行数据，你用这个数据训练出了一个模型，当你又有了1百行新数据，你不需要把这些新数据与原数据合并，你可以只利用这100行数据对原先的模型进行调整（不是从头重新训练），再来1百行数据，又可以利用新的数据对模型进行调整。

在线算法的一个巨大优势是节约空间。当数据量特别大的时候，我们可以一部分一部分的训练，而不是直接在整个数据集上训练。

从机器学习的角度来说，offline（或者说batch）learning就是用所有的数据进行训练模型，当有新训练数据进来的，需要把新数据和旧数据合并起来，重新训练模型，原来的模型就没有用了。

online learning就是当新训练数据进来，我们不需要放弃原来的模型，也不需要把新数据和旧数据合并成训练集，我们可以在原来的模型的基础之上，用新的数据集对老模型进行一些修改更新。

总体来说，online learning更省事，更符合有流数据需求的场景。

附上一张网图，供大家欣赏。