科莫哥洛夫-斯米爾諾夫檢定 是什麼？
Kolmogorov-Smirnov Test：科莫哥洛夫-斯米爾諾夫檢定 的完整解釋
用於比較樣本分佈與理論分佈是否相同，或兩個樣本是否來自相同分佈的無母數統計檢定。
科莫哥洛夫-斯米爾諾夫檢定（Kolmogorov-Smirnov Test，以下簡稱 KS 檢定）由蘇聯數學家安德烈·柯爾莫戈洛夫（Andrei Kolmogorov）與尼古拉·斯米爾諾夫（Nikolai Smirnov）在 20 世紀中期各自發展，是統計學中最重要的非參數檢定方法之一，廣泛應用於資料品質驗證、模型監控、特徵選取等機器學習實務場景。
KS 檢定的核心概念圍繞「累積分佈函數」（Cumulative Distribution Function，CDF）展開。對於一組連續型資料，我們可以計算其經驗累積分佈函數（Empirical CDF，ECDF），即「資料值小於或等於某閾值的比例」隨閾值變化的函數。KS 統計量 D 定義為：ECDF 與參考分佈（理論 CDF 或另一樣本的 ECDF）在所有可能的 x 值上的最大絕對差距，即 D = sup|F_n(x) - F(x)|。D 值越大，表示兩個分佈的差異越大；D 值越小，表示兩者越接近。
在實際應用中，KS 檢定分為兩種主要形式。單樣本 KS 檢定（Goodness-of-Fit Test）用於判斷一組樣本資料是否符合某個特定的理論分佈，例如常態分佈、均勻分佈或指數分佈。雙樣本 KS 檢定則用於比較兩組獨立樣本，判斷它們是否來自同一個母體分佈，不需要事先知道該分佈的形式。
在機器學習與 AI 的實務應用中，KS 檢定有幾個關鍵的使用場景。首先是資料漂移偵測（Data Drift Detection）：當模型上線後，生產環境的輸入資料分佈可能隨時間改變（稱為 Covariate Shift），可以定期對訓練資料與線上資料的各特徵分別執行 KS 檢定，若 D 值超過閾值或 p 值低於顯著水準，則觸發警報，提示需要重新訓練模型。其次是模型監控（Model Monitoring）：除了輸入特徵，也可以對模型的輸出分佈（預測值分佈、預測概率分佈）做 KS 檢定，監控模型輸出是否發生漂移。第三是特徵選取：在二元分類問題中，雙樣本 KS 檢定可以比較正類與負類樣本在某個特徵上的分佈差異，KS 值越大表示該特徵對區分正負類越有幫助，可以作為特徵重要性的無母數估計。
KS 檢定的優點包括：不需要對資料的分佈形式做假設（無母數方法）、計算簡單、對分佈的整體形狀（包括位置、尺度、偏態）都敏感。然而，KS 檢定也有其侷限性：它對分佈尾部的差異相對不敏感（因為 ECDF 在尾部的觀測值稀疏，最大差距往往出現在分佈的中段）；在樣本量極大時，即使是實務上無關緊要的微小差異也可能產生顯著的 p 值；此外，標準 KS 檢定只適用於連續型資料，對離散型資料需要使用修正版本。
針對 KS 檢定尾部不敏感的問題，Anderson-Darling 檢定（AD Test）提供了一種加權版本，對分佈尾部給予更高的權重，在許多場景下比 KS 檢定有更高的統計功效（Statistical Power）。實務上，資料科學家常同時使用 KS 檢定與 AD 檢定，互相補充。
IPAS 中級考試中，KS 檢定通常與以下概念一起考察：假設檢定的基本框架（虛無假設、對立假設、顯著水準、p 值的解讀）、無母數方法與參數方法的比較、資料前處理中的分佈檢驗（例如確認殘差是否符合常態分佈）以及資料漂移監控的方法論。考生需要能辨識 KS 檢定的適用情境，並理解其結果的統計意義。
在 Python 生態系中，scipy.stats 模組提供了 kstest（單樣本）與 ks_2samp（雙樣本）函式，能快速計算 KS 統計量與對應的 p 值。機器學習平台如 Evidently AI、WhyLabs 等 MLOps 工具也將 KS 檢定內建為標準的資料品質監控指標之一。