---
title: "科莫哥洛夫-斯米爾諾夫檢定（Kolmogorov-Smirnov Test）"
slug: kolmogorov-smirnov-test
language: zh-TW
source: https://aiterms.tw/terms/kolmogorov-smirnov-test
updated_at: 2026-06-22
tags: [統計檢定, 無母數方法, 資料品質, 資料漂移, 模型監控, iPAS中級, 分佈檢驗]
ipas_term: false
---

# 科莫哥洛夫-斯米爾諾夫檢定（Kolmogorov-Smirnov Test）

用於比較樣本分佈與理論分佈是否相同，或兩個樣本是否來自相同分佈的無母數統計檢定。

## 完整說明

科莫哥洛夫-斯米爾諾夫檢定（Kolmogorov-Smirnov Test，KS 檢定）是一種無母數（non-parametric）假設檢定方法，用於評估樣本資料是否符合某個指定的理論分佈（單樣本 KS 檢定），或兩個獨立樣本是否來自同一分佈（雙樣本 KS 檢定）。KS 統計量衡量的是樣本的累積分佈函數（ECDF）與參考分佈之間的最大絕對差距，不需要對資料的分佈形式做任何假設。

## 常見問題

### KS 檢定的 p 值要怎麼解讀？p 值大代表什麼意思？

KS 檢定的虛無假設（H₀）是「兩個分佈相同」或「樣本符合指定分佈」。p 值是在假設 H₀ 為真的情況下，觀察到目前 KS 統計量 D 值（或更極端值）的機率。p 值大（通常 > 0.05）表示沒有足夠的統計證據拒絕虛無假設，即無法區分兩個分佈有差異；p 值小（< 0.05）則表示有統計顯著的差異存在。需要注意的是，p 值不代表差異的大小，只代表統計顯著性。當樣本量很大時，極微小的分佈差異也可能產生 p 值 < 0.05，但在實務上這種差異可能並不重要，因此應該同時參考 KS 統計量 D 值本身的大小。

### KS 檢定與卡方適合度檢定（Chi-Square Goodness-of-Fit Test）有何不同，何時選擇哪一種？

兩者都可用於檢驗樣本是否符合某分佈，但適用場景不同。KS 檢定適用於連續型資料，不需要對資料分組，使用的是 ECDF 與理論 CDF 的最大差距，對分佈形狀的整體差異敏感。卡方適合度檢定則適用於離散型資料或已分組的連續資料，透過比較觀察頻率與期望頻率的差距來評估擬合程度，需要足夠大的期望次數（通常每格 ≥ 5）。實務建議：連續型資料優先使用 KS 檢定（或 Anderson-Darling 檢定）；類別型或計數型資料使用卡方檢定；若連續資料量很少，可考慮 Shapiro-Wilk 檢定專門測試常態性。

### 在機器學習模型監控中，如何用 KS 檢定偵測資料漂移？

資料漂移監控的標準流程如下：首先，在模型訓練完成後，儲存訓練資料集各特徵的分佈（或以訓練資料本身作為參考集）。模型上線後，定期（例如每日、每週）收集一批線上請求的特徵資料，對每個特徵分別執行雙樣本 KS 檢定，比較線上資料與訓練資料的分佈。若某特徵的 KS 統計量 D 值超過設定閾值（例如 0.1 或 0.2），或 p 值低於顯著水準（例如 0.05），則標記該特徵發生漂移，觸發告警。若多個重要特徵同時發生漂移，通常需要重新評估模型性能，考慮使用新資料重新訓練或更新模型。這種機制可以幫助團隊在模型性能明顯下降之前主動發現資料分佈的變化。

---

來源：https://aiterms.tw/terms/kolmogorov-smirnov-test
快查頁：https://aiterms.tw/terms/kolmogorov-smirnov-test
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-kolmogorov-smirnov-test