尽管确实存在用于SVM的在线算法，但是指定要内核还是线性SVM变得很重要，因为针对线性SVM的特殊情况已经开发了许多有效的算法。
对于线性情况，如果您在scikit-learn中将SGD分类器与铰链损耗和L2正则化配合使用，您将获得一个可以在线/增量更新的SVM。您可以将其与近似于内核的特征转换结合使用，以类似于在线内核SVM。
我的规范之一是它应该不断更新以适应不断变化的趋势。
这被称为 概念漂移，
不能通过简单的在线SVM很好地处理。使用PassiveAggresive分类器可能会给您带来更好的结果，因为它的学习率不会随着时间而降低。
假设您在训练/跑步时获得了反馈，则可以尝试检测准确性随时间的降低，并在准确性开始下降时开始训练新模型（并在您认为新模型变得更准确时切换到新模型）。JSAT有2种漂移检测方法（请参阅jsat.driftdetectors），可用于跟踪准确性并在准确性发生变化时向您发出警报。
它还具有更多在线线性和核方法。
（偏见：我是JSAT的作者）。
