完整定義
概念漂移是一種機器學習模型在實際應用中遇到的挑戰。它指的是模型所學習的目標函數(輸入與輸出之間的關係)隨時間發生變化,導致模型在新的資料上的預測能力下降。常見應用包括金融市場預測、推薦系統和異常偵測。
白話說明
你有沒有遇過模型一開始很準,過幾個月卻突然失準?
你可以把概念漂移想成「世界變了,模型還停在舊答案」:今天的資料分布和以前不一樣,模型原本學到的規則就不一定還對。
這很重要,因為真實世界會變,像消費習慣、詐騙手法、疾病型態都會變,模型如果不更新,就會慢慢失去價值。
記住這句
世界變了,模型也要跟著更新。
比喻:概念漂移就像你以前學的「流行趨勢」現在過時了 -- 比如你訓練了一個模型來推薦時尚服飾,但隨著時間,人們的穿衣風格變了,模型還用舊的標準推薦,結果當然就不準了。資料的「概念」已經悄悄地變了,模型也該更新了。
容易混淆
概念漂移 vs 資料漂移 vs 模型退化
概念漂移:資料背後的規則變了
資料漂移:輸入資料的分布變了,但規則不一定變
模型退化:模型表現變差的結果,不一定知道原因
最關鍵的區別:概念漂移說的是「答案規則變了」,不是只有資料長相變了。
實際案例
信用卡詐騙偵測
前:模型只認得舊型態詐騙,對新手法反應慢
後:持續監控誤判率,定期用新資料重訓,讓模型跟上攻防變化
商品需求預測
前:去年熱賣的品項,今年不一定還會熱賣
後:加入最新節慶、天氣和促銷資料,讓預測更貼近現況
演算法與應用
概念漂移常用監控指標、線上學習、資料分群與定期重訓來處理
產品團隊通常會看準確率、召回率、誤報率和輸入分布是否改變
重點不是只發現變差,而是要知道何時變、怎麼變、以及該怎麼修
情境判斷
Q1(直覺題): 模型最近錯很多,但輸入資料看起來和以前差不多,還會是概念漂移嗎?
有可能。概念漂移看的是資料背後的規則,不是只看表面長相。
Q2(判斷題): 只要把舊模型重新訓練一次,概念漂移就完全消失嗎?
不一定。若環境持續變動,就需要持續監控與更新,而不是重訓一次就結束。
常見問題
有關聯但不是同一件事,過擬合是學太死,概念漂移是世界本身變了。
觀察線上指標、抽樣人工檢查,並比較新舊資料分布。
不一定,要看漂移速度、風險程度和更新成本。
出現在這些考古題
官方公告試題的逐題解析裡,有 6 題把概念漂移列為延伸術語,這裡列出 5 題。
相關術語
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本