1. 数据漂移概述
1.1 什么是数据漂移
数据漂移（Data Drift）是指在模型部署上线后，生产环境中的输入数据分布或预测目标分布与模型训练时所使用的数据分布之间发生的变化。这种变化会导致模型在真实场景中的表现逐渐偏离预期，是机器学习系统失效的最常见原因之一。
核心定义： 数据漂移 = 生产数据分布 ≠ 训练数据分布。只要模型依赖的统计规律发生改变，就存在数据漂移风险。
数据漂移并非偶然现象，而是业务环境、用户行为、外部因素持续演变的必然结果。例如：用户偏好随季节变化、传感器老化导致读数偏移、新政策改变审批规则等，都会引发数据漂移。
1.2 数据漂移的常见类型
根据漂移发生的对象不同，数据漂移主要分为三类：概念漂移、协变量漂移和先验概率漂移。下表从定义、数学表达和典型场景三个维度进行对比：
| 漂移类型 | 定义 | 数学表达 | 典型场景 |
|---|---|---|---|
| 概念漂移 (Concept Drift) |
输入特征与目标变量之间的映射关系发生变化 | P(Y|X) 改变，而 P(X) 可能不变 | 用户点击偏好随流行趋势改变；信用评分标准因政策调整而收紧 |
| 协变量漂移 (Covariate Drift) |
输入特征的边缘分布发生变化，但条件分布不变 | P(X) 改变，而 P(Y|X) 保持不变 | 新用户群体年龄分布变化；传感器测量值因环境温度偏移 |
| 先验概率漂移 (Prior Probability Drift) |
目标变量的边缘分布发生变化 | P(Y) 改变，而 P(X|Y) 可能不变 | 欺诈交易比例从 1% 上升至 5%；疾病发病率季节性波动 |
记忆技巧： 关注“什么变了”——概念漂移是规则变了（Y|X），协变量漂移是输入变了（X），先验概率漂移是输出变了（Y）。
1.3 三类漂移的深层关系
下图展示了三类数据漂移在特征空间与标签空间中的关系，以及它们如何影响决策边界：
1.4 数据漂移对模型性能的影响
数据漂移对模型性能的影响是渐进且具有破坏性的。以下是主要影响维度的总结：
- 预测精度下降：模型在训练集上表现良好，但在生产数据上准确率、AUC、F1 等指标持续走低。
- 置信度校准失效：模型输出的概率分数不再反映真实可能性，例如原本 90% 置信度的预测实际正确率只有 60%。
- 决策边界错位：协变量漂移导致模型在未见过的特征区域做出外推预测，风险不可控。
- 业务指标恶化：点击率、转化率、审批通过率等关键业务指标偏离预期，影响营收和运营效率。
- 公平性与合规风险：漂移可能导致模型对不同群体产生偏见，违反监管要求。
⚠️ 常见误区： 很多团队只在模型上线时做一次评估，之后便不再关注数据分布。实际上，数据漂移可能在几天内发生（如电商大促），也可能在数月内缓慢累积。没有持续监控，模型退化往往在造成显著损失后才被发现。
1.5 漂移类型与监控策略的对应关系
不同类型的漂移需要不同的检测方法和应对策略：
| 漂移类型 | 常用检测方法 | 典型应对策略 |
|---|---|---|
| 概念漂移 | PSI（群体稳定性指标）、误差分布监控、滑动窗口性能跟踪 | 增量学习、模型重训练、特征工程调整 |
| 协变量漂移 | PSI、KS 检验、JS 散度、特征分布对比 | 数据重加权、域适应、重新采样 |
| 先验概率漂移 | 标签分布监控、PSI（针对标签）、比率变化检测 | 调整决策阈值、重新平衡样本、模型校准 |