数据漂移检测2026：统计检验、阈值与重训触发
模型退化是因为世界在变，不是代码坏了。数据漂移检测就是早期发现退化的方法。哪些检验有效？阈值怎么定？漂移什么时候该触发重训？
💡 你将学到
模型退化是因为世界在变，不是代码坏了。数据漂移检测就是早期发现退化的方法。哪些检验有效？阈值怎么定？漂移什么时候该触发重训？
你的流失模型是拿2025年客户训练的，2026年的客户行为不同。什么都没崩，准确率只是逐月侵蚀。漂移检测就是量化这种侵蚀、赶在收入感受到之前发现。要比什么：数据漂移（训练特征分布vs当前生产特征分布）、预测漂移（模型输出分布随时间变化，常是最早信号）、概念漂移（输入输出关系变了，最难检测需要标签）。2026检验工具包：PSI（群体稳定性指数，行业主力，分箱比比例，小于0.1稳定、0.1-0.25中度、大于0.25大漂移）；KS检验（连续特征敏感但规模化时假阳性多，几千个特征慎用）；卡方（类别特征）；embedding距离（LLM和非结构化输入：训练和生产样本各embedding后比质心距离，现代LLM监控抓prompt漂移就靠这个）。阈值别乱叫：500个特征每天检查，显著性必然出现，有用性未必。做法：只告警10-30个业务关键特征；按效应量设阈值（PSI大于0.2）不只p值；要求持续（漂移持续N天才告警，瞬时尖峰是噪音）；分级响应（黄色观察vs红色重训）。什么时候触发重训：两个条件同时成立——漂移持续且显著，且实测质量真的掉了（拿近期带标签数据评估）。有漂移没掉质量说明模型还在泛化，重训浪费资源。这个双条件门是2026标准，同时防止过度反应和瘫痪。工具：Evidently（开源漂移看板，PSI/KS/embedding漂移，集成MLflow/Airflow）、Arize、WhyLabs/whylogs。实用闭环：周批任务算关键特征漂移、对比近期带标签数据质量、输出三选一：保留、观察、重训，用MLOps指南里的编排器自动化就闭环了。
