概念漂移 是什麼？

Concept Drift — 概念漂移 的完整解釋

概念漂移是指機器學習模型在部署後，由於資料分佈隨時間變化，導致模型預測準確度下降的現象。需要持續監控並重新訓練模型。

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。

記住這句就好

世界變了，模型也要跟著更新。

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

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

概念漂移和過擬合有關嗎？

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。

怎麼知道模型是不是漂了？

觀察線上指標、抽樣人工檢查，並比較新舊資料分布。

一定要即時重訓嗎？

不一定，要看漂移速度、風險程度和更新成本。