2. PSI 数学原理：公式推导与分箱对比逻辑
群体稳定性指标（Population Stability Index, PSI）是衡量两个分布之间差异的标准化度量。在模型监控中，它用于量化模型评分在 期望（训练集/基准期） 与 实际（生产/监控期） 之间的偏移程度。理解其数学推导是正确设置告警阈值的基础。
2.1 核心思想：从信息论到分布差异
PSI 的数学根源可追溯至 Kullback-Leibler 散度（KL 散度），但 PSI 对其进行了对称化处理，使其成为一个对称的、有界的度量指标。其核心逻辑是：将连续变量（如模型分数）离散化为若干个“箱”（bins），然后逐箱比较实际频率与期望频率的差异。
关键理解： PSI 不是直接比较原始分数，而是比较分数落入每个分箱的“占比”变化。这种分箱操作使得 PSI 对微小波动不敏感，但对分布的整体形状变化非常敏感。
2.2 PSI 计算公式推导
假设我们将模型分数划分为 n 个分箱。对于第 i 个分箱：
- 实际频率（Actual %）：
A_i= 监控期中落入第i箱的样本数 / 监控期总样本数 - 期望频率（Expected %）：
E_i= 训练期中落入第i箱的样本数 / 训练期总样本数
PSI 的完整计算公式如下：
PSI = Σ ( (A_i - E_i) * ln(A_i / E_i) ) (i = 1, 2, ..., n)公式分解与推导逻辑：
- 成分项 (A_i - E_i)： 衡量第
i箱中实际占比与期望占比的绝对差异。差异越大，该箱对 PSI 的贡献越大。 - 权重项 ln(A_i / E_i)： 这是对数比率，用于放大差异。当实际频率远大于期望频率（A_i >> E_i）或远小于期望频率（A_i << E_i）时，该权重会显著增大，从而对极端偏移给予更高的惩罚。
- 求和 Σ： 将所有分箱的贡献累加，得到最终的 PSI 值。
边界处理： 当
E_i = 0 时，ln(A_i / 0) 无定义。实际工程中，通常对频率进行平滑处理（如加一个小常数 ε = 1e-6），或强制将空箱与相邻箱合并。当 A_i = 0 时，ln(0 / E_i) 同样无定义，需做相同处理。
2.3 分箱策略：期望频率 vs 实际频率的对比逻辑
分箱是 PSI 计算的前提。不同的分箱策略会直接影响 PSI 的敏感度和稳定性。以下是两种主流策略的对比：
| 分箱策略 | 方法描述 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|---|
| 等距分箱 | 将分数范围 [min, max] 均匀划分为 n 个宽度相同的区间。 |
实现简单，箱边界固定，易于解释。 | 样本分布不均时，某些箱可能样本极少或为空，导致 PSI 计算不稳定。 | 分数分布相对均匀，或需要固定阈值边界进行业务解释时。 |
| 等频分箱 | 基于训练集（期望）的分数分布，将样本均匀划分为 n 个箱，每个箱包含大致相同数量的样本。 |
每个箱都有足够的样本量，PSI 计算更稳健；对分布尾部变化更敏感。 | 箱边界随训练集变化，不同模型版本间边界可能不一致；对分布中心区域的微小变化不敏感。 | 最常用策略，尤其适用于模型监控，能有效避免空箱问题。 |
2.4 对比逻辑可视化：期望 vs 实际频率分布
下面的 SVG 图展示了等频分箱下，期望频率（蓝色）与实际频率（橙色）的对比逻辑。每个分箱的柱状高度代表该箱的样本占比，PSI 正是通过逐箱计算这两个占比的差异来量化整体偏移。
2.5 分箱数量与 PSI 敏感度
分箱数量 n 是一个关键超参数。它直接影响 PSI 对分布变化的敏感度：
- 分箱过少（如 n=5）： 对分布的整体形状变化敏感，但可能掩盖局部细微偏移。PSI 值通常较小，阈值设置可相对宽松。
- 分箱过多（如 n=20）： 对局部波动非常敏感，容易因随机噪声产生假阳性告警。PSI 值会偏大，阈值需相应收紧。
- 行业经验： 在风控模型监控中，n=10 是使用最广泛的默认值，它在敏感度和稳定性之间取得了良好平衡。
实践建议： 在设置 PSI 告警阈值前，务必先确定分箱策略和分箱数量。建议在训练集上通过交叉验证，观察 PSI 在无漂移情况下的自然波动范围，以此作为阈值设定的基准。
2.6 对比逻辑的数学本质
从数学上看，PSI 的对比逻辑可以理解为：
- 标准化差异： 通过
ln(A_i / E_i)将绝对差异转化为相对差异，使得不同量级的频率具有可比性。 - 加权求和： 使用
(A_i - E_i)作为权重，确保差异较大的箱对最终 PSI 贡献更大。 - 对称性： PSI 是对称的，即
PSI(期望, 实际) = PSI(实际, 期望)，这使其成为一个公平的度量指标。
下面的 SVG 图展示了 PSI 计算的数据流与分箱对比逻辑的完整流程：
通过以上推导与对比逻辑分析，可以看出 PSI 本质上是一个 加权相对熵，它通过分箱操作将复杂的分布比较问题转化为多个局部差异的累加，从而为模型漂移监控提供了一个稳定、可解释的量化指标。