1. 偏差校验概述
1.1 什么是样本偏差
样本偏差（Sample Bias）是指在模型训练、验证或线上推理过程中，所使用的样本分布与目标总体分布之间存在系统性差异。在特征平台场景下，偏差通常表现为训练数据与线上实时数据在统计特征上的不一致，导致模型在真实环境中的表现劣于离线评估结果。
核心定义： 样本偏差 = P(训练样本) ≠ P(线上样本)，即两个分布之间的差异不可忽略。
常见的样本偏差类型包括：
- 选择偏差（Selection Bias）： 样本采集过程非随机，例如仅保留有标签的样本，忽略未触达用户。
- 时间偏差（Temporal Bias）： 训练数据来自过去，而线上数据来自当前，特征分布随时间漂移。
- 幸存者偏差（Survivorship Bias）： 仅观察留存用户，忽略已流失用户，导致模型高估留存率。
- 标签偏差（Label Bias）： 标签定义或采集方式在训练与线上不一致，例如人工标注与自动标注的差异。
1.2 为什么在特征平台中校验偏差至关重要
特征平台作为企业级特征生产与分发中心，承担着训练数据生成、在线特征计算、特征一致性保障等核心职责。一旦特征平台输出的样本存在偏差，其影响将沿着数据管道向下游模型、业务决策逐级放大。
| 特征平台环节 | 偏差风险点 | 校验必要性 |
|---|---|---|
| 特征存储 | 历史特征与实时特征分布不一致 | 确保离线/在线特征同分布 |
| 特征计算 | 窗口聚合逻辑在训练与推理时不同 | 防止特征值系统性偏移 |
| 样本生成 | 采样策略导致正负样本比例失真 | 保证训练样本代表真实场景 |
| 特征回溯 | 回溯数据与当前数据存在时间漂移 | 避免用旧分布训练新模型 |
关键洞察： 特征平台是偏差传播的“放大器”——一个环节的微小偏差，经过多层特征组合与样本拼接后，可能被放大为模型性能的显著下降。因此，在特征平台内嵌入偏差校验机制，是成本最低、效果最显著的防御手段。
1.3 偏差带来的业务风险
样本偏差从数据层面传导至业务层面，会引发一系列可量化的风险。以下表格总结了不同偏差类型对应的业务影响：
| 偏差类型 | 业务场景 | 具体风险 | 量化影响示例 |
|---|---|---|---|
| 选择偏差 | 信贷风控 | 模型仅基于通过审批的样本训练，忽略被拒用户 | 坏账率低估 30%-50% |
| 时间偏差 | 推荐系统 | 用上周数据训练，本周用户兴趣已迁移 | 点击率下降 15%-25% |
| 幸存者偏差 | 用户增长 | 仅分析留存用户行为，忽略流失用户特征 | 留存率预测偏高 20%+ |
| 标签偏差 | 广告点击预测 | 训练标签使用曝光后1秒点击，线上使用3秒窗口 | 模型校准误差增大 2-3 倍 |
⚠️ 业务风险传导链： 样本偏差 → 模型评估指标虚高 → 模型上线后效果回退 → 业务KPI受损 → 用户信任度下降 → 商业损失扩大。特征平台必须建立从数据到业务的全链路偏差监控。