哪個監控指標能最早偵測模型效能下滑？

中級考試大概率會考程式碼跟公式，所以這部分你還是要學。但如果現在學起來很痛苦，可以先跳過，等讀完其他題目回頭再來。

本題沒有程式碼，但 PSI 有具體公式值得理解。

PSI 公式：

PSI = Σ ( (實際佔比 - 期望佔比) × ln(實際佔比 / 期望佔比) )

其中：
  期望佔比 = 訓練資料中該分箱的樣本比例
  實際佔比 = 當前線上資料中該分箱的樣本比例
  ln = 自然對數
  Σ = 對所有分箱加總

怎麼用：把一個特徵（如「年齡」）切成若干區間（20-30 歲、30-40 歲…），分別算訓練資料和線上資料在每個區間的比例，代入公式。

資料漂移的三種類型：

• 特徵漂移（Feature Drift）：輸入 X 的分佈改變，PSI 監控的就是這個
• 概念漂移（Concept Drift）：X 和 Y 的關係改變（例如，同樣的信用分數，現在代表的風險不一樣了）
• 標籤漂移（Label Drift）：輸出 Y 的分佈改變（例如，整體違約率突然升高）

監控架構實務：

# 每天計算一次 PSI，存進監控系統
import numpy as np

def calculate_psi(expected, actual, buckets=10):
    """
    expected: 訓練資料的特徵值列表
    actual: 線上資料的特徵值列表（同時段樣本）
    """
    # 以訓練資料為基準切分箱
    breakpoints = np.percentile(expected,
                                np.linspace(0, 100, buckets+1))

    exp_pct = np.histogram(expected, breakpoints)[0] / len(expected)
    act_pct = np.histogram(actual, breakpoints)[0] / len(actual)

    # 避免 log(0)
    exp_pct = np.where(exp_pct == 0, 0.0001, exp_pct)
    act_pct = np.where(act_pct == 0, 0.0001, act_pct)

    psi = np.sum((act_pct - exp_pct) * np.log(act_pct / exp_pct))
    return psi

# 判斷門檻
psi_value = calculate_psi(train_age, live_age)
if psi_value > 0.2:
    alert("資料漂移嚴重，建議重新訓練模型")

PSI 閾值對照：

PSI < 0.1：穩定，繼續使用

0.1 ≤ PSI < 0.2：輕微漂移，提高監控頻率

PSI ≥ 0.2：顯著漂移，啟動模型再訓練流程