某電商平台開發的顧客流失預測模型在上線數月後，預測準確率明顯下降。專案團隊懷疑顧客行為模式改變，導致模型輸入特徵的分佈與原始訓練資料不同，出現典型的資料漂移（Data Drift）問題。為了偵測並確認資料分佈是否發生變化，下列哪一種作法最合適？
iPAS 考題解析
某電商平台開發的顧客流失預測模型在上線數月後，預測準確率明顯下降。專案團隊懷疑顧客行為模式改變，導致模型輸入特徵的分佈與原始訓練資料不同，出現典型的資料漂移（Data Drift）問題。為了偵測並確認資料分佈是否發生變化，下列哪一種作法最合適？
- A. 定期重新訓練模型以應對外部變化
- B. 提升模型複雜度以捕捉更多資料變異性
- C. 增加測試資料量以提高評估準確度
- D. 計算輸入特徵分佈間的KL散度（KL Divergence） ✓ 正確答案
詳細解析
KL散度（Kullback-Leibler Divergence）是衡量兩個機率分佈差異的標準統計量，透過計算當前輸入資料與訓練資料分佈之間的KL散度，可量化資料漂移的程度，確認是否發生了顯著的分佈偏移。
出題年份：114 難度：★★☆