2. 漂移检测指标：PSI、KS统计量、KL散度、JS散度、Wasserstein距离

模型漂移检测的核心在于选择合适的统计指标来量化参考分布（训练/验证集）与当前分布（生产数据）之间的差异。不同的指标对分布变化的敏感度、计算复杂度和适用场景各不相同。本节将深入剖析五种最常用的漂移检测指标，帮助你在实际工程中做出正确选择。

2.1 指标全景对比

下表从核心原理、数值范围、敏感度、主要应用场景四个维度对五种指标进行横向对比，便于快速建立全局认知。

2.2 指标详解与计算公式

2.2.1 PSI（群体稳定性指标）

PSI 是金融风控领域最经典的漂移指标，通过将连续变量分箱后，比较每个箱内样本占比的变化来量化分布偏移。计算公式如下：

PSI = Σ (Actual_i - Expected_i) * ln(Actual_i / Expected_i)

其中：
- Expected_i：训练集在第 i 个箱中的样本占比
- Actual_i：生产数据在第 i 个箱中的样本占比
- 分箱数量通常为 10 箱（等频或等距）

PSI 的工程解读标准：

• PSI < 0.1：无显著漂移，模型稳定
• 0.1 ≤ PSI < 0.25：轻度漂移，需关注
• PSI ≥ 0.25：严重漂移，需立即告警并触发模型重训

2.2.2 KS统计量

KS（Kolmogorov-Smirnov）统计量通过计算两个经验累积分布函数（ECDF）之间的最大绝对差来检测分布变化。对于二分类模型，KS 也常用于评估模型区分能力。

KS = max |F_expected(x) - F_actual(x)|

其中：
- F_expected(x)：训练集的经验累积分布函数
- F_actual(x)：生产数据的经验累积分布函数
- x 遍历所有观测值

2.2.3 KL散度与JS散度

KL散度（Kullback-Leibler Divergence）衡量两个概率分布 P 和 Q 之间的非对称差异。JS散度（Jensen-Shannon Divergence）是 KL 散度的对称化版本，具有更好的数学性质。

KL(P || Q) = Σ P(x) * log(P(x) / Q(x))

JS(P || Q) = 0.5 * KL(P || M) + 0.5 * KL(Q || M)
其中 M = 0.5 * (P + Q)

关键区别：

• KL散度：非对称（KL(P||Q) ≠ KL(Q||P)），无上界，对 Q(x)=0 且 P(x)>0 的情况敏感
• JS散度：对称且有界 [0, 1]，对零概率问题更鲁棒

2.2.4 Wasserstein距离

Wasserstein距离（Earth Mover's Distance）基于最优传输理论，计算将一个分布“搬运”到另一个分布所需的最小成本。它能够捕捉分布支撑集的变化，对高维数据尤其有效。

W(P, Q) = inf ∫ |x - y| dγ(x, y)

其中 γ 是 P 和 Q 的联合分布，inf 表示所有可能的联合分布中的最小值

对于一维分布，Wasserstein距离有简洁的闭式解：

W(P, Q) = ∫ |F_P^{-1}(t) - F_Q^{-1}(t)| dt

其中 F_P^{-1} 和 F_Q^{-1} 分别是 P 和 Q 的逆累积分布函数

2.3 指标选择决策流程

在实际工程中，选择合适的漂移检测指标需要综合考虑数据类型、模型类型和业务需求。以下决策流程可以帮助你快速定位：

2.4 多指标联合监控策略

单一指标往往存在盲区。例如，PSI 对分布整体偏移敏感但对局部突变不敏感，而 KS 统计量正好相反。推荐采用以下联合监控策略：

2.5 工程实现注意事项

• 分箱策略：PSI 和 KL 散度依赖分箱，建议使用等频分箱（每个箱样本量大致相等），避免空箱导致计算异常
• 零概率处理：KL 散度计算时若遇到 Q(x)=0 且 P(x)>0，需添加平滑项（如 Laplace 平滑），避免除零错误
• 计算效率：Wasserstein 距离计算复杂度较高，对于高维数据建议使用 Sinkhorn 算法近似加速
• 窗口大小：建议使用滑动窗口（如最近 7 天或 1000 条样本）计算指标，平衡实时性和统计稳定性