特徵漂移 vs 標籤分布漂移
Feature Drift vs Label Drift
特徵漂移 側重 機器學習中，輸入資料的特徵分佈隨時間變化的現象，可能導致模型性能下降。，而 標籤分布漂移 側重 標籤分布漂移（Label Drift）指模型在生產環境中遭遇的目標變數（標籤）分布與訓練時不同的現象，例如詐欺偵測中詐欺案件占比從 1% 升至 5%，導致原本校準好的模型閾值和效能指標失效，需觸發再訓。
逐項比較
| 項目 | 特徵漂移 | 標籤分布漂移 |
|---|---|---|
| 一句定義 | 機器學習中，輸入資料的特徵分佈隨時間變化的現象，可能導致模型性能下降。 | 標籤分布漂移（Label Drift）指模型在生產環境中遭遇的目標變數（標籤）分布與訓練時不同的現象，例如詐欺偵測中詐欺案件占比從 1% 升至 5%，導致原本校準好的模型閾值和效能指標失效，需觸發再訓 |
| 常見標籤 | 模型訓練、資料處理、模型評估、MLOps、source:ipas | MLOps、模型部署、模型評估、機器學習 |
| iPAS 關聯度 | 未知 | 未知 |
| 考生最常問 | 如何偵測機器學習模型中的特徵漂移？ | 標籤漂移和概念漂移的關鍵差異是什麼？ |