go无官方ml库，可通过gorgonia实现简单数值预测、gopy调用python模型、http对接模型服务或硬编码决策树规则，兼顾性能与工程实用性。
Go语言本身没有官方机器学习库，但可通过调用外部工具（如Python模型）或使用轻量级Go生态库实现简单预测任务。重点在于选择合适方案、避免过度工程，同时保持Go的并发与部署优势。
用Gorgonia做基础数值预测
Gorgonia是Go中较成熟的自动微分与张量计算库，适合实现线性回归、逻辑回归等简单模型。它不提供高级API（如scikit-learn），需手动构建计算图和训练循环。
- 安装：go get -u gorgonia.org/gorgonia
- 适合场景：小规模结构化数据、需要嵌入Go服务、对延迟敏感的实时打分
- 关键步骤：定义变量→构建损失函数→用梯度下降优化→保存参数供后续推理
- 注意：不支持CNN/RNN等复杂网络；训练稳定性不如Python框架，需手动调学习率和归一化
通过gopy调用Python训练好的模型
利用gopy将Python（如scikit-learn、XGBoost）训练好的模型编译为Go可调用的包，兼顾模型成熟度与Go服务集成能力。
- 流程：Python中训练并保存模型（joblib/pickle）→用gopy生成Go绑定→在Go中加载并传入特征向量预测
- 优点：复用已有模型、支持树模型/集成方法、无需重写训练逻辑
- 限制：需部署时携带Python运行时或使用静态链接（如PyO3 + Rust桥接更稳定）；gopy对NumPy兼容性有限，建议用纯Python函数封装预测接口
用Go对接HTTP模型服务（推荐初学者）
将模型部署为独立HTTP服务（如Flask/FastAPI/Triton），Go程序仅负责构造请求、解析JSON响应。解耦清晰、易调试、便于模型迭代。
- Go侧只需标准net/http发送POST请求，传入特征数组，接收预测结果
- 示例特征格式：{"features": [1.2, 0.8, -0.5]}，服务返回{"prediction": 42.7}
- 优势：模型更新不需重编译Go代码；可混合多种语言模型；天然支持超时、重试、熔断
- 适合MLOps初期阶段，快速验证业务逻辑
轻量替代方案：决策树规则硬编码
若数据规律明确、特征维度低（如风控规则、IoT阈值判断），直接将训练出的树结构转为Go条件语句或查表，零依赖、极致高效。
- 用sklearn导出tree规则（export_text），人工转成if-else或map匹配
- 或导出JSON规则文件，Go启动时加载进内存，运行时O(1)匹配
- 适用场景：规则可解释性强、更新频率低、QPS极高（万级+/秒）
- 缺点：无法处理连续拟合、无泛化能力，仅适用于强业务逻辑驱动的预测
golang免费学习笔记（深入）：立即使用
在学习笔记中，你将探索golang的核心概念和高级技巧！
