2、PSI指标详解：群体稳定性指标(PSI)的定义、PSI的计算公式、PSI的数学原理与直观理解

2.1 群体稳定性指标(PSI)的定义

群体稳定性指标（Population Stability Index，PSI）是衡量模型评分或特征分布在时间维度上发生偏移程度的量化指标。在机器学习模型监控中，PSI用于回答一个核心问题：“当前生产环境中的模型输入特征分布，与模型训练时的特征分布是否保持一致？”

PSI的核心思想是通过比较两个概率分布之间的差异，来量化分布的变化程度。当PSI值超过一定阈值时，表明特征分布发生了显著变化，模型可能面临性能下降的风险。

2.2 PSI的计算公式

PSI的计算基于将连续变量离散化为K个分箱（通常为10~20个等频分箱），然后比较每个分箱中样本占比的变化。标准计算公式如下：

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

其中：
- Expected_i = 训练集（基准期）在第 i 个分箱中的样本占比
- Actual_i    = 当前监控期在第 i 个分箱中的样本占比
- ln          = 自然对数
- Σ           = 对所有 K 个分箱求和

计算步骤：

1. 分箱：将特征值域划分为K个区间（通常基于训练集等频分箱）。
2. 计算基准占比：统计训练集在每个分箱中的样本比例 Expected_i。
3. 计算实际占比：统计当前监控期数据在每个分箱中的样本比例 Actual_i。
4. 计算每个分箱的贡献：(Actual_i - Expected_i) × ln(Actual_i / Expected_i)。
5. 求和：将所有分箱的贡献值相加，得到最终的PSI值。

2.3 PSI的数学原理与直观理解

2.3.1 数学本质：离散化KL散度

PSI在数学上等价于离散化后的KL散度（Kullback-Leibler Divergence）的对称化形式。KL散度衡量两个概率分布P和Q之间的非对称差异：

KL(P || Q) = Σ P(i) × ln(P(i) / Q(i))

PSI实际上是 KL(Actual || Expected) + KL(Expected || Actual) 的对称版本，但标准PSI公式只取前向KL散度（以Expected为基准）。当分布完全一致时，PSI = 0；差异越大，PSI值越大。

2.3.2 直观理解：分布偏移的“信号强度”

从直观角度理解PSI：

• PSI ≈ 0（通常 < 0.1）： 当前分布与基准分布几乎一致，模型稳定，无需干预。
• 0.1 ≤ PSI < 0.25： 存在轻度偏移，需要关注并排查原因，可能需重新训练。
• PSI ≥ 0.25： 严重偏移，模型性能大概率已显著下降，必须立即采取行动（如重训、回滚、特征工程调整）。

PSI的“信号强度”体现在：当某个分箱的实际占比远高于或远低于基准占比时，该分箱的贡献值会急剧增大。例如，一个分箱从基准的5%上升到当前的20%，其贡献值远大于从5%上升到6%的情况。

2.3.3 PSI的分解：偏移来源定位

PSI的每个分箱贡献值可以独立分析，帮助定位偏移的具体来源：

• 正贡献分箱： Actual_i > Expected_i，说明该区间样本占比增加，可能是由于数据采集偏差或客群变化。
• 负贡献分箱： Actual_i < Expected_i，说明该区间样本占比减少，同样指示分布变化。
• 贡献绝对值最大的分箱： 是偏移的主要驱动因素，应优先排查。

2.4 PSI与特征漂移的关系

PSI是特征漂移监控中最常用的指标之一，但它并非万能：

• 优点： 计算简单、解释直观、阈值标准化、可分解定位偏移来源。
• 局限： 对分箱数量敏感、无法捕捉分布内部的复杂变化（如均值不变但方差变大）、对极端值不敏感（如果极端值被合并到边界分箱中）。