---
title: "族群穩定性指數（PSI）"
slug: psi
language: zh-TW
source: https://aiterms.tw/terms/psi
updated_at: 2026-06-22
tags: [模型評估, 統計方法, MLOps, 異常偵測]
ipas_term: false
---

# 族群穩定性指數（PSI）

族群穩定性指數（Population Stability Index, PSI）用於量化資料分布隨時間的變化幅度，是監控機器學習模型輸入特徵或輸出預測是否發生偏移（drift）的核心指標，PSI 越大

## 完整說明

族群穩定性指數（Population Stability Index, PSI）源自信用評分領域，用於比較兩個時間點的特徵分布差異。計算方式是將連續特徵分成若干區間（通常 10-20 個），分別計算基準期與監控期各區間的比例，再求加權對數差的總和。PSI 值低於 0.1 表示分布穩定，0.1 至 0.2 為輕微變化需觀察，超過 0.2 代表顯著偏移，模型可能需要重新訓練。廣泛應用於 MLOps 的模型監控流水線。

## 常見問題

### PSI 與 KL 散度有什麼數學關係？

PSI 在數學形式上與 Jensen-Shannon 散度（JSD）密切相關，可以理解為從「期望分布到實際分布」與「從實際分布到期望分布」兩個方向的 KL 散度的加權和。更精確地說，PSI = KL(Actual || Expected) + KL(Expected || Actual)，因此 PSI 是對稱的（交換基準期與監控期結果相同），而單向 KL 散度是不對稱的。這種對稱性使 PSI 更適合作為「兩個分布相互比較」的工具，而非評估訊息損失的單向度量。

### 在計算 PSI 時，為什麼分箱邊界要固定用訓練集決定？

若允許監控期資料重新計算分箱邊界，當分布發生偏移時，新的邊界會自動適應新分布，使每個區間的比例看起來和訓練集相近，PSI 會被低估，掩蓋了真正的漂移。固定訓練集的分位數作為邊界（通常用等頻分箱使各區間初始比例均等），才能真實反映監控期資料在訓練集視角下的分布變化。這也是 PSI 計算實作中最容易出錯的地方之一。

### 模型的輸出（預測分數）也可以用 PSI 監控嗎？

可以，這稱為「分數 PSI（Score PSI）」，是監控模型效能最直接的指標之一。若預測分數的分布從訓練時的形態顯著偏移，代表模型整體的預測行為已改變，可能是因為輸入特徵變化或因果關係改變所致。在信用評分等金融場景中，分數 PSI 通常是觸發模型審查的首要指標。與特徵 PSI 同時使用，可以定位偏移是由哪些輸入特徵造成的。

---

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