Monitoring & Drift Detection: 列举漂移检测的常用方法。

Core Concept: 单变量（PSI/KL/KS/卡方）、多变量（分类器两样本检验）、性能监控、以及'不确定性/置信度'的监控。

数学机理：<strong>漂移检测的常用方法</strong>——(1) <strong>单变量方法</strong>——(a) <strong>PSI（Population Stability Index）</strong>——PSI=Σ(p_i−q_i)·ln(p_i/q_i)（p 为'基准分布'的各桶比例、q 为'当前分布'）；<strong>阈值</strong>——(i) PSI<0.1（无显著漂移）；(ii) 0.1~0.25（中等）；(iii) >0.25（显著漂移）；<strong>优点</strong>——直观、可解释（每个特征的 PSI）；(b) <strong>KL 散度</strong>（不对称）；(c) <strong>KS 检验</strong>（连续分布——最大累积差异）；(d) <strong>卡方检验</strong>（分类特征）；(e) <strong>Wasserstein 距离</strong>（有'物理意义'）；(f) <strong>统计量监控</strong>（均值/方差/分位数/基数——简单）。(2) <strong>多变量方法</strong>——(a) <strong>分类器两样本检验（classifier two-sample test）</strong>——(i) 做法——训练一个分类器区分'训练分布'与'当前分布'（用'数据来源'作为标签）；(ii) 判据——若 AUC 显著 > 0.5（如 > 0.7）则说明'两个分布可分'（有漂移）；(iii) <strong>优点</strong>——能捕捉'单变量看不出但联合分布变了'的漂移；(iv) 特征重要性可指出'哪个特征贡献了漂移'；(b) <strong>PCA/降维后比较</strong>；(c) <strong>密度比估计</strong>（直接估计 p_new(x)/p_train(x)——也是重要性加权的权重）。(3) <strong>性能监控</strong>——(a) <strong>有标签</strong>——直接监控 AUC/准确率/业务指标（<strong>最直接</strong>）；(b) <strong>无标签</strong>——(i) <strong>代理指标</strong>（如'点击率'代理'满意度'）；(ii) <strong>置信度分布</strong>（模型预测的置信度变化）；(iii) <strong>不确定性/熵</strong>（预测熵上升 → 可能漂移）；(iv) <strong>一致性检查</strong>（如'同一用户的连续预测是否稳定'）；(v) <strong>'输入-输出'的关系</strong>（如'预测分布的偏移'）。(4) <strong>专用方法</strong>——(a) <strong>DDM（Drift Detection Method）</strong>（在线学习——监控错误率的统计过程控制）；(b) <strong>ADWIN</strong>（自适应窗口——检测分布变化）；(c) <strong>Page-Hinkley</strong>（变化点检测）；(d) <strong>CUSUM</strong>（累积和）。(5) <strong>实践要点</strong>——(a) <strong>基准的选择</strong>（用'训练数据'还是'上期数据'——影响灵敏度）；(b) <strong>采样与分桶</strong>（连续特征需分桶算 PSI）；(c) <strong>多特征的聚合</strong>（'多少特征漂移了'——而非单个）；(d) <strong>告警阈值</strong>（避免噪声告警——见告警设计题）；(e) <strong>漂移 ≠ 有害</strong>（需结合性能）；(f) <strong>根因分析</strong>（漂移的来源——上游数据变化/用户行为/系统 bug）。<strong>与其他问题的关系</strong>——(a) 与'数据漂移 vs 概念漂移'（上一题）；(b) 与'监控体系分层'（下一题）；(c) 与'告警设计'。<strong>实践建议</strong>——(a) <strong>单变量（PSI/KS）+ 多变量（分类器检验）</strong> 组合；(b) <strong>性能监控</strong>（有标签时最直接）；(c) <strong>无标签时用代理/置信度</strong>；(d) <strong>基准选择与阈值调优</strong>（避免噪声）；(e) <strong>根因分析</strong>（定位漂移来源）；(f) <strong>漂移 → 行动</strong>（重训/告警）。<strong>度量</strong>——(a) 各特征的 PSI/KL；(b) 分类器检验的 AUC；(c) 性能指标的变化；(d) 检测延迟与误报率。

深度剖析与工程权衡：① <strong>'单变量不够'</strong>——联合分布可能变了但单变量看不出；故需多变量方法；面试中能指出是深度理解的标志。② <strong>'分类器两样本检验'很实用</strong>——能捕捉复杂漂移且可解释（特征重要性）。③ <strong>'PSI 阈值 0.1/0.25'是经验值</strong>——需按场景调。④ <strong>'漂移 ≠ 有害'</strong>——需结合性能判断。⑤ <strong>'无标签时的检测'是难点</strong>——用代理/置信度/不确定性。⑥ <strong>面试要点</strong>——被问'怎么检测漂移'，应给出'<strong>单变量（PSI/KS/卡方）+ 多变量（分类器检验）+ 性能/代理 + 专用方法（DDM/ADWIN）+ 基准与阈值 + 根因分析</strong>'；能指出'单变量不够'是深度理解的标志。