4. 模型漂移分类：数据漂移、概念漂移与 SHAP 漂移
在生产环境中，模型性能下降并非单一原因所致。为了精准定位根因并制定告警策略，必须将模型漂移细分为三种核心类型：数据漂移、概念漂移和SHAP漂移。三者分别从输入分布、映射关系与特征贡献三个维度刻画模型失效的机制。
4.1 三种漂移的核心定义与对比
| 漂移类型 | 核心定义 | 检测对象 | 典型触发场景 |
|---|---|---|---|
| 数据漂移 | 模型输入特征 P(X) 的分布发生变化，但 P(Y|X) 保持不变 |
特征均值、方差、分位数、类别频率 | 用户群体结构变化、传感器故障、数据采集管道变更 |
| 概念漂移 | 输入与标签之间的映射关系 P(Y|X) 发生变化，即“同样的特征，不同的答案” |
模型残差、预测误差分布、标签分布 | 市场偏好转变、政策法规更新、季节性规律失效 |
| SHAP漂移 | 特征对模型输出的贡献度（SHAP值）分布发生系统性偏移 | 特征SHAP值的均值、方差、排序稳定性 | 模型内部决策逻辑改变、特征交互关系重构、数据漂移引发贡献重分配 |
关键认知： 数据漂移和概念漂移是“现象层”问题，而SHAP漂移是“归因层”问题。SHAP漂移往往是前两者共同作用的结果，但也能独立揭示模型决策逻辑的隐性变化。
4.2 数据漂移：特征分布变化
数据漂移是最直观的漂移形式。当模型训练时使用的特征分布与当前生产环境中的特征分布不一致时，模型对未见过的数据分布缺乏泛化能力，导致预测偏差。
- 连续特征漂移： 均值偏移、方差膨胀/收缩、分布双峰化。例如：用户年龄均值从35岁变为28岁。
- 类别特征漂移： 新类别出现、原有类别频率剧变。例如：设备型号中出现训练集未包含的新型号。
- 缺失模式漂移： 特征缺失率突然升高或降低，暗示数据采集链路异常。
检测工具： 常用统计检验包括KS检验（连续特征）、卡方检验（类别特征）、Population Stability Index (PSI)。PSI > 0.1 通常视为显著漂移信号。
4.3 概念漂移：标签/关系变化
概念漂移是更隐蔽的威胁。即使特征分布完全不变，输入与输出之间的映射关系也可能发生根本性改变。模型在旧关系上学习到的决策边界不再适用于新关系。
- 突发型概念漂移： 瞬间改变，如监管政策发布后，某些特征组合直接变为非法。
- 渐进型概念漂移： 缓慢变化，如用户对“时尚”的定义随季节逐步演变。
- 循环型概念漂移： 周期性回归，如电商促销日与非促销日的购买行为模式交替。
实践陷阱： 仅监控特征分布（数据漂移）而忽略概念漂移，会导致模型在“看起来正常”的数据上做出完全错误的预测。建议同时监控预测残差与标签分布。
4.4 SHAP漂移：特征重要性变化
SHAP漂移是模型可解释性视角下的独特漂移类型。它衡量的是特征对模型输出的贡献分布是否稳定。即使特征分布和标签分布都未发生显著变化，特征之间的交互关系和相对重要性也可能发生漂移，这通常预示着模型内部决策逻辑的重构。
| SHAP漂移子类型 | 表现 | 根因示例 |
|---|---|---|
| 重要性排序漂移 | Top-K 特征排名发生交换 | 特征A从第1位降至第5位，特征B从第6位升至第2位 |
| 贡献幅度漂移 | 特征SHAP值的绝对值均值显著增大或减小 | 原本贡献微弱的特征突然成为主导因素 |
| 方向性漂移 | 特征的正向/负向贡献方向反转 | 高收入原本正向预测“购买”，现在变为负向预测 |
SHAP漂移的独特价值： 它能够捕捉到“模型学到了什么”的变化，而不仅仅是“模型看到了什么”或“模型输出了什么”。在模型更新、特征工程变更或业务逻辑调整后，SHAP漂移是最早发出告警的信号之一。
4.5 三种漂移的联动关系与检测优先级
在实际监控系统中，三种漂移并非孤立存在。理解它们的联动关系有助于设计高效的告警流水线：
- 数据漂移 → SHAP漂移： 特征分布变化会直接导致SHAP值分布变化，因为模型对特征的依赖权重会随输入区间改变而调整。
- 概念漂移 → SHAP漂移： 映射关系变化必然导致特征贡献重分配，SHAP漂移是概念漂移在归因层面的直接映射。
- SHAP漂移独立发生： 当模型内部参数（如在线学习模型）更新或特征交互关系改变时，即使输入输出分布不变，SHAP分布也可能漂移。
推荐检测优先级： 第一层检测数据漂移（计算成本最低）；第二层检测概念漂移（需要标签反馈）；第三层检测SHAP漂移（计算成本最高但信息最丰富）。当上层检测到漂移时，自动触发下层检测以定位根因。