2. 阈值漂移基础
在工业级机器学习系统中，模型上线后的性能衰减往往不是由单一因素引起。阈值漂移（Threshold Drift）是其中一种隐蔽但影响直接的漂移类型。本章从定义出发，厘清阈值漂移与概念漂移、数据漂移的关系，并可视化其对决策边界的实际影响。
2.1 什么是阈值漂移
阈值漂移是指在模型特征分布与输入输出映射关系均未改变的情况下，由于业务环境、成本结构或风险偏好的变化，导致最优分类阈值发生偏移的现象。阈值漂移不改变模型本身的参数，但改变模型输出分数到最终决策的映射规则。
核心公式： 决策结果 = sign( f(x) − τ )，其中 τ 为阈值。阈值漂移即 τ 随时间变化，而 f(x) 保持不变。
阈值漂移的典型触发场景包括：
- 业务成本变化： 假阳性成本上升 → 需要提高阈值降低误报；假阴性成本上升 → 需要降低阈值减少漏报。
- 资源容量变化： 审核人力缩减 → 只能处理更少的高分案例 → 阈值被动上移。
- 监管要求调整： 合规标准收紧 → 必须保证特定召回率 → 阈值相应调整。
- 业务目标切换： 从追求准确率转向追求 F1 或 AUC 特定区域 → 阈值重新优化。
| 漂移类型 | 变化对象 | 模型参数是否改变 | 检测方法 |
|---|---|---|---|
| 阈值漂移 | 决策阈值 τ | 否 | 监控 Precision/Recall 曲线、业务 KPI 偏移 |
| 概念漂移 | P(Y|X) | 是（需重训） | PSI、DDM、ADWIN |
| 数据漂移 | P(X) | 否（但可能间接影响） | KS 检验、JS 散度、PCA 重构误差 |
2.2 阈值漂移与概念漂移、数据漂移的关系
三种漂移在现实系统中常常交织出现，但本质不同。理解其关系是设计巡查方案的前提。
记忆口诀： 数据漂移看输入分布，概念漂移看条件分布，阈值漂移看决策边界。
关系矩阵：
- 数据漂移 → 阈值漂移（间接）： 当特征分布 P(X) 偏移，模型输出的分数分布也会偏移，此时若保持原阈值，Precision/Recall 会变化，需要重新校准阈值。但阈值漂移本身不要求 P(X) 变化。
- 概念漂移 → 阈值漂移（伴随）： 当 P(Y|X) 改变，最优阈值几乎必然改变。但概念漂移的修复手段是重训模型，而阈值漂移的修复手段是调整阈值，两者修复成本差异巨大。
- 阈值漂移独立发生： 在 P(X) 和 P(Y|X) 均稳定的情况下，仅因业务成本变化导致阈值调整，属于纯阈值漂移。
2.3 漂移对模型决策边界的影响
决策边界是模型在特征空间中划分正负类的分界面。阈值漂移、概念漂移和数据漂移对决策边界的影响方式截然不同。
常见误区： 很多工程师认为模型性能下降就是数据漂移，实际上阈值漂移导致的 Precision/Recall 变化同样可以触发告警。不加区分地重训模型会浪费计算资源，且无法根治问题。
三种漂移对决策边界的影响对比：
| 漂移类型 | 决策边界是否移动 | 边界形状是否改变 | 模型输出分数分布 | 修复方式 |
|---|---|---|---|---|
| 阈值漂移 | 否（边界线不变） | 否 | 不变 | 调整阈值 τ |
| 概念漂移 | 是 | 可能改变 | 改变 | 重训模型 |
| 数据漂移 | 否（边界线不变） | 否 | 改变（样本偏移） | 特征工程或重采样 |
下图展示阈值漂移如何在不改变模型决策边界的情况下，改变分类结果：
实际影响总结：
- 阈值漂移不改变模型对样本的排序能力（AUC 不变），但改变特定分数段的分类结果。
- 在巡查中，若发现 Precision 下降但 Recall 上升，或反之，且 AUC 稳定，应优先怀疑阈值漂移。
- 阈值漂移的检测不需要重新训练模型，只需对比当前业务 KPI 与最优阈值对应的 KPI 即可快速定位。
巡查建议： 在模型监控系统中，将阈值漂移检测作为独立模块，与数据漂移检测并行运行。当检测到阈值漂移时，自动触发阈值校准流程，而非模型重训流程，可节省 80% 以上的运维成本。