📚 课程目录第1章课程导论

1. 课程导论：什么是模型批次偏移？为什么 PSI 是监控偏移的核心指标？课程目标与学习路径概览

1.1 什么是模型批次偏移？

模型批次偏移（Batch Drift）是指模型在生产环境中接收的推理数据分布，与模型训练或验证阶段所使用的数据分布之间出现系统性差异的现象。这种偏移是导致模型性能衰减（Model Decay）的最常见原因之一。

根据偏移发生的对象，批次偏移通常分为以下三类：

偏移类型	定义	典型场景
特征偏移	输入特征（如年龄、收入、交易金额）的分布发生变化	用户群体结构改变、数据采集方式升级
标签偏移	目标变量（如违约、点击、购买）的分布发生变化	宏观经济周期变化、业务策略调整
概念偏移	特征与标签之间的映射关系发生变化	用户行为模式改变、市场规则更新

  关键认知： 批次偏移并不总是突然发生的。它往往以“温水煮青蛙”的方式缓慢累积，等到模型评估指标（如 AUC、准确率）明显下降时，业务损失已经产生。因此，主动监控比被动响应更重要。

1.2 为什么 PSI 是监控偏移的核心指标？

群体稳定性指标（Population Stability Index, PSI）是衡量两个样本分布之间差异程度的量化指标。它最初广泛应用于信用评分卡领域，如今已成为 MLOps 中监控特征偏移和模型分数偏移的行业标准。

PSI 的计算公式基于信息论中的 KL 散度（Kullback-Leibler Divergence），其核心逻辑是将连续变量分箱后，比较每个箱体内实际占比与期望占比的差异：

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

其中：
- Expected_i = 训练集/基准集在第 i 个分箱中的样本占比
- Actual_i   = 当前监控批次在第 i 个分箱中的样本占比
- 分箱数量通常为 10 或 20（等频分箱）

PSI 之所以成为核心指标，是因为它具备以下不可替代的优势：

无量纲统一度量： 无论特征取值范围如何，PSI 都能归一化到同一尺度进行比较。
对分布形状敏感： 能够捕捉均值偏移、方差变化、偏态变化等多种分布差异。
业界成熟阈值体系： 经过多年实践，形成了公认的告警阈值参考标准。
可解释性强： 每个分箱的贡献度可以单独追溯，便于定位偏移来源。

实践建议： 在 MLOps 监控体系中，PSI 通常与 KS 统计量、特征重要性变化、模型性能指标（AUC/LogLoss）配合使用，形成多维度偏移检测矩阵，避免单一指标的盲区。

1.3 PSI 阈值体系与告警策略

根据金融风控和工业界的长期实践，PSI 的通用判读标准如下：

PSI 取值范围	偏移程度	建议动作
PSI < 0.1	无显著偏移	无需干预，继续常规监控
0.1 ≤ PSI < 0.25	轻度偏移	触发告警，启动人工排查，分析偏移来源
PSI ≥ 0.25	严重偏移	立即告警，暂停模型自动决策，启动模型重训或回滚

注意： 上述阈值是通用参考值。在实际业务中，应根据模型重要性、业务容忍度、数据更新频率等因素进行动态调整。例如，高频交易模型的告警阈值可能需要收紧至 0.05，而低频风控模型可适当放宽至 0.15。

1.4 批次偏移的完整诊断流程

下图展示了从数据采集到告警响应的批次偏移诊断闭环：

1.5 课程目标与学习路径

本课程旨在帮助学员建立从理论到实战的批次偏移诊断能力，具体目标如下：

理解原理： 掌握 PSI 的数学推导、分箱策略及其与 KL 散度的关系。
掌握工具： 熟练使用 Python（scipy、pandas）和 MLOps 平台工具进行 PSI 计算与可视化。
构建系统： 设计并实现生产级的 PSI 监控管道，包括数据采集、定时计算、告警推送。
优化阈值： 基于业务场景和历史数据，制定动态告警阈值策略，降低误报率和漏报率。
联动处置： 建立从 PSI 告警到模型重训、回滚、版本管理的完整自动化流程。

学习路径分为四个阶段，循序渐进：

阶段	章节范围	核心产出
基础篇	第 1-8 章	PSI 计算函数、分箱策略对比、基准集选择
监控篇	第 9-16 章	定时监控管道、告警规则引擎、可视化看板
进阶篇	第 17-24 章	动态阈值、多特征聚合监控、概念偏移检测
实战篇	第 25-30 章	端到端项目：信贷风控模型偏移诊断系统

  学习建议： 建议学员在每章结束后，对照提供的代码模板进行动手实验。批次偏移诊断是一项高度实践性的技能，仅靠理论学习无法应对生产环境的复杂性。请准备好 Python 3.8+ 环境和 Jupyter Notebook，跟随课程逐步搭建自己的监控系统。