4. 监控指标体系：特征重要性漂移、模型输出分布漂移、残差分析指标

模型漂移监控的核心在于建立一套多维度、可量化的指标体系。单一指标往往无法全面反映模型退化的全貌，因此需要从输入特征、模型输出和预测误差三个层面构建监控矩阵。本章将详细解析三类核心指标的计算逻辑、阈值设定方法与异常判定标准。

4.1 特征重要性漂移 (Feature Importance Drift)

特征重要性漂移衡量的是模型对各个输入特征的依赖程度在生产环境中是否发生显著变化。即使特征值分布未变，模型决策逻辑的改变也可能导致性能下降。

4.1.1 指标定义与计算

4.1.2 特征重要性漂移监控流程

1. 基准建立： 使用训练集或验证集计算每个特征的基准重要性向量。
2. 周期计算： 按日/周滑动窗口，在生产数据上重新计算特征重要性。
3. 距离度量： 使用 Spearman 秩相关系数 或 Top-K 重合度 比较排序变化。
4. 根因定位： 对重要性上升或下降幅度最大的 Top-3 特征进行业务归因。

4.2 模型输出分布漂移 (Model Output Distribution Drift)

模型输出分布漂移直接反映模型预测结果的整体统计特性是否发生偏移。这是最直观的监控指标，通常与业务指标（如转化率、通过率）直接挂钩。

4.2.1 核心监控指标

4.2.2 PSI 计算步骤

# PSI (Population Stability Index) 计算伪代码
def calculate_psi(expected, actual, bins=10):
    # 1. 基于 expected 数据分箱
    breaks = np.percentile(expected, np.linspace(0, 100, bins + 1))
    
    # 2. 统计 expected 和 actual 在各箱的占比
    expected_pct = np.histogram(expected, breaks)[0] / len(expected)
    actual_pct = np.histogram(actual, breaks)[0] / len(actual)
    
    # 3. 处理零值（加极小平滑项）
    expected_pct = np.clip(expected_pct, 1e-6, 1)
    actual_pct = np.clip(actual_pct, 1e-6, 1)
    
    # 4. 计算 PSI
    psi = np.sum((actual_pct - expected_pct) * np.log(actual_pct / expected_pct))
    return psi

# 阈值判断
if psi < 0.1:   status = "无显著漂移"
elif psi < 0.25: status = "轻度漂移，需关注"
else:            status = "重大漂移，立即介入"

4.3 残差分析指标 (Residual Analysis Metrics)

残差分析是连接模型输出与真实标签的桥梁。当真实标签（Ground Truth）延迟到达时，残差分析是验证模型预测准确性的最直接手段。

4.3.1 残差分布监控

• 残差均值漂移： 监控残差（真实值 - 预测值）的均值是否显著偏离零。正均值表示模型系统性低估，负均值表示系统性高估。
• 残差方差膨胀： 监控残差的标准差是否增大，反映模型预测的不确定性增加。
• 残差自相关： 使用 Durbin-Watson 统计量检测残差是否存在时间序列上的自相关性，若存在则说明模型未捕捉到时间模式。

4.3.2 残差与特征交叉分析

当残差出现异常时，需要将残差与特征进行交叉分析，定位导致误差增大的特征区间。

4.4 三类指标的联动与决策矩阵

单一指标异常可能只是噪声，但多个指标同时异常则代表模型存在真实风险。以下决策矩阵帮助判断优先级：