4. Drift 概念与分类：特征漂移、模型漂移、概念漂移、标签漂移的定义与区别

在实时风控系统中，模型上线后的稳定性并非一成不变。随着时间推移，数据分布、用户行为、业务环境乃至标注标准都可能发生变化，导致模型预测能力下降。这些变化统称为 Drift（漂移）。理解 Drift 的分类与本质，是构建巡检体系的第一步。

4.1 四大漂移全景图

下图展示了从原始数据到最终业务决策的完整链路，以及每种漂移发生的具体位置：

4.2 四种漂移的详细定义

4.2.1 特征漂移（Feature Drift / Data Drift）

定义：模型输入特征 X 的分布随时间发生变化，而特征与标签的关系 P(Y|X) 保持不变。

• 典型场景：用户年龄分布偏移、交易金额分布变化、设备指纹字段缺失率上升。
• 检测方法：PSI（群体稳定性指标）、KS 检验、JS 散度。
• 风控影响：模型接收到的数据与训练期不一致，即使模型参数不变，输出分数也会系统性偏移。

4.2.2 模型漂移（Model Drift）

定义：模型自身的预测行为发生变化，通常指模型参数或决策边界随时间退化，导致相同输入产生不同输出。

• 典型场景：在线学习模型参数被污染、模型版本回滚后行为不一致、特征工程逻辑变更未同步。
• 检测方法：模型输出分数分布监控、AUC/KS 随时间衰减曲线、模型版本对比测试。
• 风控影响：模型决策逻辑本身出现偏差，属于系统级稳定性问题。

4.2.3 概念漂移（Concept Drift）

定义：输入特征 X 与目标标签 Y 之间的映射关系 P(Y|X) 发生变化，即“好/坏”的定义发生了改变。

• 典型场景：经济下行导致原本优质用户逾期率上升、新型欺诈手法绕过旧规则、监管政策调整改变风险定义。
• 检测方法：模型预测分数 vs 真实标签的残差分析、D3（Drift Detection Method）、ADWIN。
• 风控影响：这是最危险的漂移类型，意味着模型学到的规律已经过时，必须重新训练或调整策略。

4.2.4 标签漂移（Label Drift）

定义：标签 Y 的标注标准或采集方式发生变化，导致标签分布偏移，但真实业务含义可能并未改变。

• 典型场景：催收团队收紧逾期认定标准、人工审核标注规则变更、标签回填延迟导致近期标签缺失。
• 检测方法：标签分布 PSI、标注一致性审计、标签回填率监控。
• 风控影响：标签漂移会污染训练数据和评估指标，导致模型误判自身效果。

4.3 四种漂移的核心区别

4.4 漂移之间的关联与混淆陷阱

在实际风控巡检中，四种漂移常常同时出现或相互诱发，容易导致误判。以下是常见的混淆场景：

4.5 风控巡检中的漂移分类实践

在实时风控稳定性巡检系统中，建议按以下流程对报警进行漂移分类：

1. 第一步：检查 特征漂移 —— 计算所有输入特征的 PSI，定位发生偏移的特征集合。
2. 第二步：检查 模型漂移 —— 对比模型输出分数分布与基线分布，确认模型行为是否一致。
3. 第三步：检查 标签漂移 —— 分析近期标签分布与历史标签分布，排除标注标准变化。
4. 第四步：检查 概念漂移 —— 若前三者均无异常但模型效果下降，则判定为概念漂移。