3. 漂移类型总览

在金融风控、量化投研和智能投顾等场景中，模型上线只是起点。真正决定模型生命周期长短的，是它能否持续感知并应对“分布变化”。很多团队把一切分布变化都笼统称为“数据漂移”，结果在排查时方向混乱：到底是输入变了、标签变了，还是输入与输出之间的关系变了？本节把五个高频概念一次讲清，并给出可落地的判别路径。

一、核心原理：先分清“谁变了”

设模型输入为特征 X，输出为标签 Y，联合分布为 P(X, Y)。任何漂移本质上都是这个联合分布或其组成部分发生了变化。五个概念的区别，就在于变化发生在哪个部分：

• 数据漂移（Data Drift）：最宽泛的统称，指生产数据分布与训练数据分布出现任何显著差异，是“总称”而非具体机制。
• 协变量漂移（Covariate Drift / Shift）：只有 P(X) 变了，P(Y|X) 保持不变。例如用户收入整体上移，但“收入→违约”的规律没变。
• 特征漂移（Feature Drift）：协变量漂移在工程视角的落地说法，特指一个或多个具体特征列的分布、量纲、缺失率、取值域发生变化。
• 标签漂移（Label Drift / Prior Shift）：P(Y) 变了，P(X|Y) 不变。例如经济下行期违约样本占比从 3% 升到 8%。
• 概念漂移（Concept Drift）：P(Y|X) 本身变了，即同样的输入，正确答案变了。这是最危险、最难自动修复的一类。

二、方法流程：四步判别法

面对一次线上告警，不要急着换模型，先按下面流程定位漂移类型，再决定处置动作。

1. 确认监控对象：先看是特征侧告警还是标签侧告警。特征侧统计量包括均值、方差、分位数、缺失率、PSI、KS；标签侧看正负样本占比、逾期率、收益分布。
2. 做单变量检测：对每个特征计算 PSI 或 KS，定位到具体列。若只有少数特征显著偏移，多为特征漂移。
3. 做标签分布检测：若特征稳定但标签占比明显变化，判定为标签漂移。
4. 验证关系是否变化：在标签可得的前提下，用近期数据重训一个影子模型，对比新旧模型在同一批样本上的表现。若旧模型 AUC 明显下降而新模型恢复，说明 P(Y|X) 变了，即概念漂移。

# 特征漂移快速检测示例（PSI）
import numpy as np

def psi(base, curr, bins=10):
    breakpoints = np.percentile(base, np.linspace(0, 100, bins + 1))
    breakpoints[0], breakpoints[-1] = -np.inf, np.inf
    b = np.histogram(base, breakpoints)[0] / len(base)
    c = np.histogram(curr, breakpoints)[0] / len(curr)
    b, c = np.clip(b, 1e-6, None), np.clip(c, 1e-6, None)
    return np.sum((c - b) * np.log(c / b))

# 经验阈值：PSI < 0.1 稳定；0.1~0.25 需关注；> 0.25 显著漂移
print(psi(train_feature, prod_feature))

三、案例场景：一次信贷模型的漂移复盘

某消费信贷模型上线六个月后，KS 从 0.42 降到 0.31。团队最初判断是“数据漂移”，准备直接重训。按四步法排查后，结论完全不同：

真实原因是宏观环境变化导致“同样的收入水平，还款能力下降”，即 P(Y|X) 发生迁移，同时伴随样本先验变化。若只做特征侧监控，这次漂移会被完全漏掉。处置上，团队采用了近期样本加权重训 + 阈值重校准，而非简单替换特征。

四、误区与复盘

• 误区一：把数据漂移当具体类型。数据漂移是总称，汇报时应说明具体是特征、标签还是概念漂移，否则无法指导处置。
• 误区二：只看特征不看标签。金融标签获取有滞后（如逾期 30+），导致标签漂移发现晚，需建立延迟标签回填机制。
• 误区三：概念漂移靠重训就能解决。若关系变化是结构性的，重训只能短期缓解，需引入新特征或调整业务规则。
• 误区四：阈值一刀切。PSI 0.1 的阈值对低频特征过于敏感，应按特征稳定性分级设定。

总结来看，五类漂移不是并列的五个盒子，而是同一联合分布的不同切面。协变量漂移与特征漂移描述输入侧，标签漂移描述输出侧，概念漂移描述映射关系，数据漂移是它们的统称。判别顺序建议固定为：先特征、再标签、最后验证关系。只有定位准确，后续的样本加权、阈值校准、重训或重构才有意义。