---
title: "概念漂移（Concept Drift）"
slug: concept-drift
language: zh-TW
source: https://aiterms.tw/terms/concept-drift
updated_at: 2026-04-29
tags: [機器學習, 模型部署, 模型評估, 時序分析, 異常偵測, MLOps]
ipas_term: false
---

# 概念漂移（Concept Drift）

> **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

> **Q：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。
>
> **Q：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。
>
> **Q：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。

### 相關術語

> - **資料漂移**：先分清楚資料變和規則變，才不會誤判
> - **模型監控**：發現漂移最直接的工具
> - **線上學習**：處理持續變化場景時常用的方法
> - **持續學習**：理解它，能看出模型如何跟著新世界一起變
> - **回饋迴路**：很多漂移其實來自系統自己造成的反饋

---

來源：https://aiterms.tw/terms/concept-drift
快查頁：https://aiterms.tw/terms/concept-drift
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-concept-drift