1. 特征漂移概述
什么是特征漂移
特征漂移（Feature Drift / Data Drift）是指模型输入特征的统计分布随时间发生变化的现象。在生产环境中，模型所接收的数据分布往往与训练阶段的数据分布产生偏差，导致模型对真实世界的表征能力下降。
特征漂移的核心表现包括：
- 均值/中位数偏移：连续型特征的集中趋势发生系统性变化。
- 方差/标准差变化：特征值的离散程度扩大或缩小。
- 类别分布改变：离散型特征的各分类占比出现显著波动。
- 缺失率异常：特征缺失比例突然升高或降低。
- 新类别出现：离散特征中出现训练集未曾见过的取值。
关键指标：特征漂移通常通过 PSI（Population Stability Index）、KS 统计量 或 JS 散度 进行量化监控。当漂移指标超过预设阈值时，系统应触发告警。
特征漂移与概念漂移的区别
特征漂移和概念漂移是模型监控中两个核心但容易混淆的概念。两者的本质区别在于：特征漂移关注输入分布的变化，而概念漂移关注输入与输出之间映射关系的变化。
| 对比维度 | 特征漂移（Feature Drift） | 概念漂移（Concept Drift） |
|---|---|---|
| 定义 | 输入特征 P(X) 的分布发生变化 | 目标变量 P(Y|X) 的条件分布发生变化 |
| 监控对象 | 特征本身的统计量（均值、方差、分位数等） | 模型预测误差、残差分布、混淆矩阵指标 |
| 典型原因 | 数据采集方式变更、用户群体变化、季节效应 | 市场偏好转变、政策法规调整、环境突变 |
| 检测方法 | PSI、KS 检验、JS 散度、Wasserstein 距离 | DDM、ADWIN、Page-Hinkley、误差率监控 |
| 修复策略 | 特征工程调整、数据重采样、模型重新训练 | 模型微调、增量学习、模型架构更新 |
| 是否影响模型 | 间接影响（模型在未见分布上泛化能力下降） | 直接影响（模型决策边界已不再适用） |
实践要点：特征漂移和概念漂移常常同时发生，但并非必然关联。例如，用户年龄分布发生变化（特征漂移），但不同年龄段的购买转化率关系保持不变（无概念漂移）。监控系统应同时追踪两者，避免误判。
特征漂移对模型性能的影响
特征漂移对模型性能的影响是渐进且多维度的。即使模型架构和参数保持不变，输入分布的变化也会导致预测质量系统性下降。
主要影响路径
- 预测偏差增大：模型在训练分布上优化的参数，在漂移后的分布上会产生系统性偏差。例如，一个在年轻用户数据上训练的信用评分模型，当用户年龄分布向老年群体漂移时，评分结果会整体偏高或偏低。
- 置信度失真：概率模型的输出置信度不再反映真实准确率。模型可能对漂移后的样本给出高置信度但错误的预测，导致下游决策风险失控。
- 特征重要性重排：原本重要的特征可能因分布变化而失去区分能力，而次要特征可能变得关键。模型的特征重要性排序需要重新评估。
- 鲁棒性下降：模型对异常值和极端值的容忍度降低，在漂移后的分布边缘区域表现极不稳定。
影响量化指标
| 性能指标 | 漂移前（训练集） | 漂移后（生产集） | 变化趋势 |
|---|---|---|---|
| 准确率（Accuracy） | 0.92 | 0.78 | ↓ 下降 15% |
| 精确率（Precision） | 0.89 | 0.72 | ↓ 下降 19% |
| 召回率（Recall） | 0.85 | 0.69 | ↓ 下降 19% |
| F1 分数 | 0.87 | 0.70 | ↓ 下降 20% |
| 对数损失（Log Loss） | 0.35 | 0.62 | ↑ 上升 77% |
| AUC-ROC | 0.94 | 0.81 | ↓ 下降 14% |
⚠ 风险提示：特征漂移对模型性能的影响具有 滞后性。在漂移初期，模型性能可能仅轻微下降，容易被忽略。但随着漂移程度累积，性能会呈现 非线性加速恶化 的趋势。建议设置多级告警阈值（Warning / Critical），在漂移早期即启动排查流程。
实际案例：电商推荐系统特征漂移
某电商平台的商品推荐模型在 2024 年 Q1 遭遇显著的特征漂移：
- 用户年龄特征：均值从 32 岁漂移至 28 岁，新用户群体涌入导致年轻化趋势。
- 浏览时段特征：夜间活跃用户占比从 25% 上升至 42%，用户行为模式改变。
- 商品价格特征：平均客单价从 ¥128 降至 ¥89，平台促销策略调整。
上述漂移导致推荐模型的点击率（CTR）从 4.2% 下降至 2.8%，转化率从 1.5% 降至 0.9%。经过特征漂移检测和模型重新训练后，CTR 恢复至 3.9%，转化率回升至 1.4%。
核心结论：特征漂移是生产环境中模型性能衰减的首要原因之一。建立系统化的特征漂移监控机制，是保障模型长期稳定运行的基础工程实践。