4. 数据漂移 vs 概念漂移：PSI 的定位与边界
在模型监控实践中，漂移并非单一概念。PSI 衡量的仅是数据漂移（特征分布变化），而另一种常见漂移——概念漂移（特征-标签关系变化）——则需要其他指标来捕捉。理解两者的区别与联系，是正确使用 PSI 的前提。
4.1 两类漂移的核心定义
| 漂移类型 | 英文 | 定义 | PSI 能否检测 |
|---|---|---|---|
| 数据漂移 | Data Drift / Covariate Shift | 模型输入特征 X 的分布随时间发生变化，而 P(Y|X) 保持不变。 |
✅ 是（PSI 核心用途） |
| 概念漂移 | Concept Drift | 特征 X 与标签 Y 之间的映射关系发生变化，即 P(Y|X) 改变。 |
❌ 否（需其他指标） |
关键记忆点： PSI 只回答“特征长变了没有”，不回答“特征和标签的关系变了没有”。
4.2 数据漂移 vs 概念漂移：对比维度
| 对比维度 | 数据漂移 | 概念漂移 |
|---|---|---|
| 关注对象 | 特征 X 的边际分布 P(X) |
条件分布 P(Y|X) |
| 典型原因 | 数据采集方式改变、用户群体结构变化、季节性波动 | 市场政策调整、用户偏好迁移、环境规则改变 |
| 对模型影响 | 模型输入落入未见过的区域，外推风险增加 | 模型学到的决策边界失效，即使特征分布不变 |
| 检测指标 | PSI、KS 统计量、JS 散度、AD 检验 | 模型性能衰减（AUC/准确率下降）、残差分析、DDM/ADWIN |
| 修复方式 | 特征工程、数据重采样、重新训练 | 模型重训练、在线学习、模型结构更新 |
4.3 两者的内在联系
虽然概念不同，但在实际生产环境中，两类漂移常常同时发生或互为因果：
- 数据漂移引发概念漂移： 当特征分布发生剧烈偏移，模型在新区间上的预测误差可能放大，导致
P(Y|X)在局部区域出现“伪概念漂移”。 - 概念漂移改变特征分布： 例如用户偏好变化（概念漂移）会反过来影响用户行为特征的分布（数据漂移）。
- PSI 告警是概念漂移的“前哨”： 很多概念漂移发生前，特征分布已经出现微小偏移。PSI 告警可以作为概念漂移的早期预警信号。
实践建议： 不要单独依赖 PSI。最佳实践是“PSI + 性能监控”双通道：PSI 检测数据漂移，AUC/准确率等指标检测概念漂移。当两者同时告警时，模型失效风险最高。
4.4 两类漂移的关系示意图
4.5 实际场景中的漂移类型判断
当模型性能下降时，可以通过以下步骤快速定位漂移类型：
- 检查 PSI： 如果 PSI 超过阈值（如 0.1），说明特征分布已发生显著变化，存在数据漂移。
- 检查模型性能指标： 如果 AUC 或准确率下降，说明可能存在概念漂移。
- 交叉验证：
- PSI 告警 + 性能下降 → 大概率是数据漂移引发的性能衰减，或两者同时发生。
- PSI 正常 + 性能下降 → 典型的概念漂移，特征分布未变但关系变了。
- PSI 告警 + 性能正常 → 数据漂移但模型鲁棒性较好，或漂移发生在非关键特征上。
常见误区： 不要因为 PSI 正常就认为模型一定健康。概念漂移可以在特征分布完全不变的情况下导致模型失效。反之，PSI 告警也不一定意味着模型失效，有时特征分布变化但模型决策边界仍能覆盖新分布。
4.6 小结
| 要点 | 说明 |
|---|---|
| PSI 的职责 | 专门衡量数据漂移（特征分布变化），不衡量概念漂移 |
| 概念漂移的检测 | 需依赖模型性能指标（AUC、准确率、F1 等）或专用算法（DDM、ADWIN） |
| 两者关系 | 相互影响、常同时发生；PSI 可作为概念漂移的早期预警 |
| 监控策略 | PSI + 性能指标双通道，缺一不可 |