1. 数据漂移概述
1.1 数据漂移的定义
数据漂移（Data Drift）是指在生产环境中，模型所接收的实时数据分布与模型训练时所使用的历史数据分布之间出现显著差异的现象。这种差异会破坏模型“训练分布 = 应用分布”的基本假设，导致模型预测性能随时间推移而持续下降。
核心公式： 若训练集分布为 Ptrain(X, Y)，生产环境分布为 Pprod(X, Y)，则数据漂移定义为 Ptrain(X, Y) ≠ Pprod(X, Y)。
数据漂移是机器学习系统失效的最常见原因之一。根据行业统计，超过 65% 的模型性能衰减案例与数据分布变化直接相关。因此，系统性地监测和量化数据漂移是保障模型长期稳定运行的关键环节。
1.2 数据漂移对模型的影响
数据漂移对模型的影响是多维度的，从预测精度到业务决策都会受到冲击。下表总结了主要影响维度及其具体表现：
| 影响维度 | 具体表现 | 业务后果 |
|---|---|---|
| 预测精度 | 准确率、召回率、AUC 等指标持续下降 | 模型输出不可靠，误导决策 |
| 模型校准 | 预测概率与真实概率偏差增大 | 置信度评估失效，风险排序错误 |
| 特征重要性 | 原有重要特征变得无关，新特征未被利用 | 模型解释性下降，特征工程失效 |
| 鲁棒性 | 对异常值和噪声的容忍度降低 | 系统频繁告警，运维成本激增 |
| 业务指标 | 转化率、点击率、风控通过率等偏离预期 | 直接经济损失，用户流失 |
⚠ 注意： 数据漂移的影响具有累积性和滞后性。初期可能仅表现为微小偏差，但若不及时干预，会在数周或数月内演变为模型完全失效。因此，建立实时漂移预警机制比事后修复更为重要。
1.3 数据漂移的常见类型
根据分布变化的具体对象，数据漂移可分为三种基本类型。理解这些类型是选择监测指标和制定应对策略的前提。
1.3.1 概念漂移 (Concept Drift)
概念漂移是指输入特征 X 与目标变量 Y 之间的映射关系 P(Y|X) 发生变化，而特征分布 P(X) 保持不变。即“同样的输入，不同的输出”。
- 表现形式： 决策边界发生偏移或翻转。
- 典型场景： 用户偏好变化（如时尚潮流）、经济周期转换、政策法规调整。
- 监测方法： 跟踪模型残差分布、错误率随时间的变化趋势。
1.3.2 协变量漂移 (Covariate Drift)
协变量漂移是指输入特征 X 的边缘分布 P(X) 发生变化，而条件分布 P(Y|X) 保持不变。即“数据分布变了，但规律没变”。
- 表现形式： 特征均值、方差、分位数等统计量发生偏移。
- 典型场景： 用户群体结构变化（如新渠道获客）、季节性波动、传感器老化。
- 监测方法： 计算 PSI（群体稳定性指标）、KS 检验、JS 散度等分布距离度量。
1.3.3 先验概率漂移 (Prior Probability Drift)
先验概率漂移是指目标变量 Y 的边缘分布 P(Y) 发生变化，而条件分布 P(X|Y) 保持不变。即“正负样本比例变了，但各类别的特征分布没变”。
- 表现形式： 类别不平衡程度加剧或反转。
- 典型场景： 欺诈率上升、疾病爆发期患病率变化、广告点击率季节性波动。
- 监测方法： 监控 Y 的样本比例、类别频率直方图。
💡 实践要点： 三种漂移类型在实际场景中往往同时发生。例如，电商大促期间既可能出现协变量漂移（用户画像变化），也可能出现概念漂移（促销敏感度变化）。建议在监测时先区分主次，优先处理对业务影响最大的漂移类型。
下表对三种漂移类型进行了横向对比，便于快速区分：
| 漂移类型 | 变化对象 | 不变对象 | 典型驱动因素 | 监测难度 |
|---|---|---|---|---|
| 概念漂移 | P(Y|X) | P(X) | 用户偏好、市场规则 | 高（需标签反馈） |
| 协变量漂移 | P(X) | P(Y|X) | 数据采集、群体结构 | 中（可无标签监测） |
| 先验概率漂移 | P(Y) | P(X|Y) | 事件发生率、季节因素 | 低（直接统计） |