4. PSI阈值设定：行业通用标准、业务场景调整与常见误区

PSI（Population Stability Index，群体稳定性指标）的阈值设定是特征漂移监控落地中最关键的决策点之一。阈值过松会漏报真实漂移，过紧则引发大量无效告警，导致监控疲劳。本章从行业通用标准出发，结合不同业务场景给出调整策略，并剖析常见误区。

4.1 行业通用阈值标准

在金融风控、信贷评分、营销响应等传统机器学习应用中，PSI的通用判读标准已形成广泛共识。下表总结了三个典型区间及其对应含义：

4.2 不同业务场景下的阈值调整策略

实际业务中，模型对特征漂移的容忍度差异巨大。以下从三个典型场景说明如何调整阈值：

• 场景一：高容错场景（如内容推荐、商品排序）
  用户兴趣和内容分布天然高频变化，模型可快速迭代。建议将告警阈值放宽至 PSI ≥ 0.3 甚至 0.4，避免因短期波动频繁触发重训。
• 场景二：中容错场景（如信贷审批、反欺诈）
  模型决策直接影响资金安全，对分布变化敏感。建议严格遵循通用标准：PSI ≥ 0.1 预警，≥ 0.25 告警。对于关键特征（如收入、负债率），可进一步收紧至 PSI ≥ 0.05 即预警。
• 场景三：低容错场景（如医疗诊断、自动驾驶感知）
  模型输出直接关乎人身安全，任何分布偏移都可能引发严重后果。建议将阈值设为 PSI ≥ 0.05 即告警，并配合实时回滚机制。

下表汇总了不同场景下的推荐阈值范围：

4.3 阈值设定常见误区

在实际监控系统搭建中，以下误区频繁出现，导致监控效果大打折扣：

• 误区一：全特征使用同一阈值
  不同特征对模型输出的影响权重不同。例如，收入特征漂移 0.15 可能比年龄特征漂移 0.25 更危险。应对策略：按特征重要性分档设定阈值，重要特征收紧 20%~50%。
• 误区二：忽略监控周期长度对 PSI 的影响
  监控周期越短，PSI 的随机波动越大。例如，日级监控下 PSI 天然高于月级监控。应对策略：根据周期长度调整阈值，短周期（日/周）可适当放宽 0.02~0.05。
• 误区三：将 PSI 阈值与模型性能指标直接挂钩
  PSI 衡量的是特征分布变化，而非模型性能下降。特征漂移不一定导致 AUC 或准确率下降，反之亦然。应对策略：PSI 告警后应联动模型性能监控，综合判断是否重训。
• 误区四：阈值设定后永不调整
  业务环境、数据分布、模型版本都在变化，固定阈值会逐渐失效。应对策略：每季度或每次模型迭代后重新校准阈值，结合历史告警误报率进行优化。

4.4 阈值调优实践建议

结合上述分析，给出以下可落地的阈值调优步骤：

1. 初始设定：以行业通用标准（0.1/0.25）为基线，根据业务容错度上下浮动 0.05~0.1。
2. 分特征校准：利用特征重要性排序，对 Top 20% 重要特征收紧阈值，对 Bottom 20% 特征放宽阈值。
3. 周期适配：日级监控阈值 = 基线 + 0.03；周级监控阈值 = 基线 + 0.01；月级监控阈值 = 基线。
4. 动态优化：上线后统计告警准确率，若误报率 > 30%，则上调阈值 0.02；若漏报率 > 20%，则下调阈值 0.02。