数据漂移与 PSI

PSI(Population Stability Index,群体稳定性指标)是监控模型输入分布漂移最常用的指标,量化基准分布与当前分布的分箱差异: $PSI = \sum_i (A_i - B_i)\ln\frac{A_i}{B_i}$,其中 $A_i$ 是当前(actual)样本落入第 $i$ 个分箱的比例,$B_i$ 是基准(expected,如训练集)比例;分箱通常按基准分布十等分,当前分箱为空时与相邻箱合并避免除零,PSI 本质上是 KL 散度的对称化近似。经验阈值: $PSI < 0.1$ 分布稳定;$0.1 \le PSI < 0.25$ 需关注并排查;$PSI \ge 0.25$ 发生显著漂移,需触发重训。漂移分两类: Covariate Drift(输入 $P(X)$ 变了,如新客群结构变化)与 Concept Drift(输入不变但 $P(Y|X)$ 变了,如疫情期间坏账率上升)。

风控/反欺诈模型上线后的周度/月度监控看板必配 PSI;面试常问“模型上线后如何监测退化”“PSI 超阈值怎么办”;做法是逐特征算单变量 PSI,也可对模型打分/预测概率整体算 PSI,再按特征 PSI 排名定位根因。

相比只盯线上 AUC 等效果指标(真实标签有延迟,且无法定位是哪个特征出问题),PSI 无需真实标签、可逐特征提前发现输入分布漂移;配合阈值分级($<0.1$ 稳定 / $0.1\text{-}0.25$ 关注 / $>0.25$ 漂移)与重训触发,形成“监控—归因—重训”闭环。

写出 PSI 公式 $PSI = \sum_i (A_i - B_i)\ln\frac{A_i}{B_i}$ 并解释 $A_i$/$B_i$ 的含义;为什么 $A_i = B_i$ 时 PSI = 0?它与 KL 散度是什么关系?

PSI 经验阈值: <0.1 / 0.1–0.25 / >0.25 各代表什么处置动作?分箱时遇到 $B_i = 0$ 或 $A_i = 0$ 怎么处理?

Covariate Drift 与 Concept Drift 的区别?各举一个实际例子,两者对模型的影响有何不同?

为什么监控模型退化要用 PSI 而不是只看线上 AUC?PSI 的局限性有哪些(如对分箱数敏感)?

检测到 PSI ≥ 0.25 后的处置流程(归因→重训→回滚);如何区分真实漂移与数据泄漏/口径变化?