1. 课程导论与背景：什么是模型漂移、为什么需要关注漂移、SHAP值在漂移检测中的独特价值

1.1 什么是模型漂移？——从“准”到“不准”的渐变

模型漂移（Model Drift）是指已部署的机器学习模型在真实生产环境中，其预测性能随时间推移而逐渐下降的现象。简单来说，模型在训练集上表现优异，但在上线后面对不断变化的新数据，其准确率、精确率或召回率等指标开始“滑坡”。

漂移并非模型本身“老化”，而是模型所依赖的数据分布或特征与目标之间的关系发生了改变。根据改变的对象不同，漂移主要分为两类：

1.2 为什么需要关注漂移？——生产环境的“隐形杀手”

模型漂移如果不被及时发现和告警，会带来一系列严重后果：

• 业务决策失效： 信贷审批模型误拒优质客户，推荐系统推送无关内容，导致收入下降或用户流失。
• 合规与风险失控： 在金融、医疗等强监管领域，模型输出偏差可能违反公平性要求或造成重大损失。
• 运维成本激增： 等到业务方投诉或指标严重恶化才发现问题，排查和修复成本远高于早期告警。
• 模型生命周期管理断裂： 缺乏漂移监控，团队无法判断何时需要重新训练或更新模型，陷入“盲目部署”或“过度重训”的循环。

下表总结了不同漂移检测方法的对比，凸显传统方法的局限性：

1.3 SHAP值在漂移检测中的独特价值——从“黑箱”到“透明归因”

SHAP（SHapley Additive exPlanations）值源于博弈论中的Shapley值，是一种加性特征归因方法。它将模型的预测值分解为每个特征的贡献之和，从而解释“为什么模型对某个样本给出了这样的预测”。

将SHAP值引入漂移检测，带来了传统方法无法比拟的独特价值：

• 特征级归因： 不仅能检测到“数据分布变了”，还能定位到“是哪个特征的变化导致了模型行为改变”。例如，SHAP值分布的变化可以告诉你：模型对“年龄”特征的依赖程度在上升，而对“收入”特征的依赖在下降。
• 同时覆盖数据漂移与概念漂移： 数据漂移会改变特征本身的SHAP值分布；概念漂移会改变特征与SHAP值之间的映射关系。通过监控SHAP值分布的变化，可以统一检测两种漂移。
• 早期预警能力： SHAP值的变化往往先于模型性能指标的恶化。因为模型内部对特征的依赖关系发生变化时，预测结果可能尚未明显偏离，但SHAP值已经“报警”。
• 可解释的告警： 当漂移告警触发时，SHAP值可以直接告诉你“哪个特征、以何种方式、贡献了多少变化”，极大降低排查根因的时间成本。

1.4 本课程的核心思路：SHAP值变化驱动的漂移告警策略

本课程将系统性地讲解如何利用SHAP值的变化来构建一套可解释、可归因、可自动化的模型漂移告警体系。整体思路如下：

1. 建立基准SHAP分布： 在模型训练或上线初期，对验证集或初始生产数据计算SHAP值，形成“参考分布”。
2. 持续计算生产SHAP分布： 在模型推理过程中，定期（如每小时、每天）对最新一批生产数据计算SHAP值。
3. 分布对比与度量： 使用统计检验（如KS检验）或距离度量（如Wasserstein距离）比较基准SHAP分布与生产SHAP分布的差异。
4. 告警阈值与策略： 设定合理的阈值，当SHAP分布差异超过阈值时触发告警，并自动输出“哪些特征的SHAP贡献发生了显著变化”。
5. 根因分析与行动： 结合SHAP归因结果，快速定位漂移根因，决定是否需要重训模型、调整特征或更新数据管道。

1.5 课程适用人群与前置知识