🔑 名詞卡
資料漂移與概念漂移（Data Drift & Concept Drift）
🎯 定義
兩種造成模型效能隨時間衰退的現象：資料漂移指資料分佈本身隨時間改變（如消費行為改變）；概念漂移指資料與標籤之間的關聯隨時間改變（如詐騙行為模式變異）。
重點／應用
| 現象 | 改變的對象 | 範例 |
|---|---|---|
| 資料漂移（Data Drift） | 特徵 X 的分佈 | 消費者行為改變，導致特徵分佈與訓練時不同 |
| 概念漂移（Concept Drift） | X 與 Y（標籤）之間的關聯規則 | 詐騙手法演變，原本判斷詐騙的特徵組合不再有效 |
- 常見偵測方法：統計檢定（Kolmogorov-Smirnov Test）、KL 散度（KL Divergence），並可搭配模型效能監測工具（Evidently、WhyLabs）。
- 在MLOps的「持續監控與模型維運」階段，偵測資料漂移/概念漂移是觸發自動重訓的重要依據。
記憶技巧
資料漂移＝「輸入變了」（X 變），概念漂移＝「規則變了」（X 和 Y 的關係變）——用「消費行為改變」vs「詐騙模式改變」的例子最容易記住差異。
易混淆
- 兩者可能同時發生也可能單獨發生：僅資料漂移不一定影響模型準確率（若關聯規則不變），但概念漂移幾乎必然導致模型效能下降，因為模型學到的規則已經過時。
📖 課文原文「數據漂移（Data Drift）或概念漂移（Concept Drift）。前者指資料分佈在時間上的變化（如消費行為改變），後者則為資料與標籤之間的關聯改變（如詐騙行為模式變異）。」