1. 特征偏移概述
在生产环境中部署机器学习模型后，模型性能并非一成不变。随着时间推移，模型所依赖的数据分布与训练阶段产生差异，这种现象统称为特征偏移。特征偏移是触发模型重训的核心原因之一，理解其定义、影响及类型，是制定重训策略的基础。
1.1 特征偏移的定义
特征偏移（Feature Shift）是指在模型上线后，输入特征或目标变量的统计分布相对于训练集发生系统性变化的现象。这种变化会导致模型在真实场景中的预测能力下降，即使模型本身没有发生任何改变。
核心公式： 训练分布 Ptrain(X, y) ≠ 生产分布 Pprod(X, y)
特征偏移的本质是模型训练环境与推理环境之间的分布不匹配。当这种不匹配累积到一定程度，模型就需要通过重训来适应新的数据分布。
1.2 特征偏移对模型性能的影响
特征偏移对模型性能的影响是多维度的，下表总结了主要影响维度及其表现：
| 影响维度 | 具体表现 | 严重程度 |
|---|---|---|
| 预测精度 | 准确率、AUC、RMSE 等核心指标持续下降 | 高 |
| 排序稳定性 | 模型对样本的排序顺序发生剧烈变化 | 中 |
| 特征重要性 | 原本重要的特征变得不显著，次要特征反而主导 | 中 |
| 业务决策 | 基于模型输出的风控、推荐、定价策略失效 | 高 |
| 模型可解释性 | SHAP 值、LIME 解释与业务常识出现矛盾 | 低 |
注意： 特征偏移导致的性能下降往往是渐进式的。初期可能仅表现为 1-2% 的指标波动，但若不及时干预，可能在数周内演变为模型完全失效。LightGBM 等树模型对特征分布变化尤其敏感，因为其分裂点基于训练数据的统计量。
1.3 特征偏移的常见类型
特征偏移通常分为两大类：概念漂移（Concept Drift）和数据漂移（Data Drift）。两者在成因和检测方式上存在本质区别。
1.3.1 概念漂移
概念漂移是指输入特征 X 与目标变量 y 之间的映射关系发生变化。即：P(y|X) 随时间改变，但 P(X) 可能保持不变。
- 成因： 用户行为模式改变、政策法规调整、市场环境变化等。
- 示例： 在信贷风控模型中，由于经济下行，原本收入稳定的用户群体违约率上升，导致“收入”这一特征与“违约”之间的关联性发生改变。
- 检测方法： 监控模型残差分布、PSI（群体稳定性指标）在预测值上的变化、业务指标与模型预测的偏差。
1.3.2 数据漂移
数据漂移是指输入特征 X 的边缘分布发生变化，但 P(y|X) 保持不变。即：P(X) 改变，但特征与目标之间的映射关系稳定。
- 成因： 数据采集方式变更、用户群体结构变化、季节性波动、外部数据源更新等。
- 示例： 电商推荐模型中，由于新用户大量涌入，用户年龄分布从 25-35 岁为主变为 18-25 岁为主，但各年龄段用户的购买偏好并未改变。
- 检测方法： 监控每个特征的分布差异（KS 检验、JS 散度、PSI）、特征统计量（均值、方差、分位数）的变化。
下表对两种偏移类型进行了详细对比：
| 对比维度 | 概念漂移 | 数据漂移 |
|---|---|---|
| 变化对象 | P(y|X) —— 映射关系 | P(X) —— 特征分布 |
| 模型影响 | 直接导致决策边界失效 | 导致特征空间外推风险 |
| 检测难度 | 较高，需要标签反馈 | 较低，可直接对比特征分布 |
| 重训策略 | 通常需要全量重训或增量学习 | 可局部重训或特征工程调整 |
| 典型场景 | 欺诈检测、信用评分 | 推荐系统、时序预测 |
1.4 特征偏移类型关系图
下图展示了特征偏移的两大类型及其与模型性能下降之间的关系：
实践建议： 在实际项目中，概念漂移和数据漂移往往同时发生。建议在监控系统中同时部署两类检测指标：使用 PSI 监控特征分布（数据漂移），使用残差监控模型预测偏差（概念漂移）。LightGBM 模型重训的触发阈值通常设定为 PSI > 0.1 或模型 AUC 下降超过 3%。