امروزه غالب فعالیت های روزمره انسان بر بستر وب انجام می شود. سرعت و حجم بالای تولید داده در وب، استفاده از الگوریتم های برخط یادگیری ماشین در پردازش و تحلیل جویبارداده را بسیار کارآمد جلوه داده است. بسیاری از این الگوریتم ها با فرض ثابت بودن فضای ویژگی ارائه شده اند؛ اما در مسائل دنیای واقعی ممکن است چنین فرضی رعایت نشود و هر نمونه از جویبارداده ویژگی های متفاوتی داشته باشد. در این پژوهش، این مسئله جدید که اخیراً توجه زیادی را به خود جلب کرده است بررسی می شود. همچنین یک الگوریتم عمومی نوین برای طبقه بندی جویبارداده ارائه می شود که با کشف روابط بین ویژگی ها و تخمین مقادیر مربوط به ویژگی های ناموجود، از حداکثر پتانسیل طبقه بند در پیش بینی بهره برداری می کند. درنهایت با انجام آزمایش های تجربی و مقایسه نتایج آن با دو مورد از الگوریتم های اخیر، نشان داده می شود که الگوریتم ارائه شده دقت بالاتری دارد.