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。
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。