2. 模型漂移概念：什么是模型漂移

模型漂移（Model Drift）是生产环境中机器学习模型性能随时间衰减的核心风险。它并非模型自身参数发生变化，而是模型所依赖的数据分布或目标关系发生了改变，导致模型无法准确反映当前真实世界。理解漂移的类型与影响，是实施有效监控的前提。

2.1 漂移的两大类型

根据漂移发生的对象不同，模型漂移主要分为数据漂移（Data Drift）和概念漂移（Concept Drift）。两者可能独立发生，也可能同时出现。

维度	数据漂移（Data Drift）	概念漂移（Concept Drift）
定义	模型输入特征 X 的分布发生变化，即 P(X) 改变。	输入特征与目标变量之间的映射关系 P(Y|X) 发生变化。
关注点	特征本身（均值、方差、类别分布等）	特征与标签的关联规则
典型原因	数据采集系统变更、用户群体迁移、季节性波动、外部环境变化（如传感器老化）。	市场政策调整、用户行为习惯改变、新品类出现、经济周期转换。
检测方法	PSI（群体稳定性指标）、KS检验、JS散度、特征分布可视化。	模型性能指标（AUC、F1、准确率）监控、残差分析、D3（数据分布漂移检测）方法。
修复难度	相对较低，通常通过重采样、特征工程或重新训练即可适应。	较高，可能需要重新定义目标变量、调整模型结构或引入新特征。

2.2 概念漂移的三种子模式

概念漂移根据其变化速度与模式，可进一步细分为以下三种类型：

1. 突然漂移（Sudden Drift）：在某个时间点，概念瞬间发生彻底改变。例如，监管政策突然禁止某类贷款产品，导致违约规则完全变化。
2. 渐进漂移（Gradual Drift）：旧概念逐渐被新概念取代，中间存在一段混合期。例如，用户支付习惯从线下刷卡缓慢迁移至线上扫码支付。
3. 循环漂移（Recurrent Drift）：概念呈现周期性变化，如节假日购物模式、季节性天气预测模型。

2.3 漂移对模型性能的影响

无论哪种漂移类型，最终都会传导至模型预测效果上，具体表现为以下四个维度的恶化：

• 预测准确率下降：模型对当前样本的分类或回归误差增大，AUC、F1-Score、RMSE 等核心指标持续走低。
• 排序能力退化：在排序模型中（如推荐系统、信用评分卡），正负样本的区分度降低，KS、Gini 系数下降。
• 校准度偏移：模型输出的概率值不再反映真实发生频率。例如，模型预测违约概率为 10% 的群体，实际违约率升至 25%。
• 业务决策失效：基于模型输出的自动化决策（如审批、定价、风控规则）产生系统性偏差，导致业务损失或合规风险。

2.4 漂移影响传导路径

下图展示了从数据源头到业务结果的完整影响链路：