3. 特征偏移检测方法：统计检测法、分布对比法与模型性能监控法

特征偏移的检测是决定是否触发重训的核心依据。单一指标往往存在盲区，因此生产环境中通常采用“统计检测 + 分布对比 + 模型性能监控”三位一体的检测策略。本节将逐一拆解三类方法的核心原理、适用场景与阈值设定。

3.1 统计检测法：PSI 与 KS 检验

统计检测法通过量化两个样本分布之间的差异程度，给出明确的数值指标，便于设定自动化告警阈值。

3.1.1 群体稳定性指标（PSI）

PSI 是风控与信用评分领域最常用的特征偏移指标，衡量特征在时间窗口 T1（基准期） 与 T2（观察期） 上的分布差异。其计算公式为：

PSI = Σ (P_i - Q_i) * ln(P_i / Q_i)

其中 P_i 为基准期第 i 个分箱的样本占比，Q_i 为观察期第 i 个分箱的样本占比。PSI 的行业通用判定标准如下：

3.1.2 KS 检验（Kolmogorov-Smirnov Test）

KS 检验通过计算两个经验分布函数之间的最大垂直距离来评估分布差异，适用于连续型特征。其统计量定义为：

KS = max |F1(x) - F2(x)|

其中 F1 和 F2 分别为基准期与观察期的累积分布函数。KS 值越大，说明两个样本越可能来自不同分布。

3.2 分布对比法：直方图与核密度估计

统计指标提供的是“数值”，而分布对比法提供的是“视觉”。在排查偏移根因时，可视化方法能帮助分析师快速定位是均值漂移、方差变化还是尾部异常。

3.2.1 直方图对比

将基准期与观察期的特征直方图叠加绘制，通过肉眼观察分箱高度的变化来识别偏移。直方图的优点是直观、计算快，缺点是对分箱宽度敏感，且无法平滑展示分布形状。

3.2.2 核密度估计（KDE）

KDE 通过平滑核函数拟合概率密度曲线，克服了直方图的分箱依赖问题。在特征偏移检测中，通常将两条 KDE 曲线绘制在同一坐标系下，观察重叠区域的大小。

3.3 模型性能监控法：AUC 与准确率衰减

特征偏移的最终影响体现在模型性能上。即使统计指标显示分布变化，若模型性能未下降，可能只是“无害偏移”；反之，若性能显著衰减，即使统计指标正常，也应排查是否存在未检测到的偏移。

3.3.1 AUC 衰减监控

AUC（Area Under the ROC Curve）是二分类模型最常用的性能指标。在监控场景中，通常以模型上线后的初始 AUC 为基准，持续跟踪每日/每周的 AUC 变化。

• 绝对衰减：当前 AUC 与基准 AUC 的差值，如 ΔAUC < -0.03 触发告警。
• 相对衰减：衰减比例，如 (AUC_当前 - AUC_基准) / AUC_基准 < -5% 触发告警。

3.3.2 准确率与业务指标监控

除 AUC 外，还应监控与业务目标直接挂钩的指标：

3.4 三类方法的协同策略

在实际生产系统中，三类方法并非孤立使用，而是形成分层检测体系：

1. 第一层（快速筛查）：每日自动计算所有特征的 PSI 与 KS 值，筛选出超过阈值的特征列表。
2. 第二层（深度分析）：对告警特征绘制直方图与 KDE 曲线，由分析师确认偏移类型（均值漂移、方差变化、尾部异常等）。
3. 第三层（业务验证）：监控模型 AUC 与业务 KPI 的衰减情况，确认偏移是否对模型效果产生实质性影响。