搜尋意圖： 如果你在找「科爾莫哥洛夫-斯米爾諾夫檢定 是什麼」或「科爾莫哥洛夫-斯米爾諾夫檢定 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 比較兩個機率分佈是否相同的非參數統計檢定方法，常用於評估資料漂移與模型輸入分佈變化。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
比較兩個機率分佈是否相同的非參數統計檢定方法，常用於評估資料漂移與模型輸入分佈變化。
KS 檢定（Kolmogorov-Smirnov Test）是統計學中歷史悠久且廣泛使用的非參數假設檢定工具，由蘇聯數學家安德雷·科爾莫哥洛夫與尼古拉·斯米爾諾夫在二十世紀中葉各自獨立提出。其核心思想直觀：透過比較兩個樣本的累積分佈函數（Cumulative Distribution Function，CDF）之間的最大差距，來判斷兩組數據是否來自同一個分佈。
KS 檢定有兩種主要形式。第一種是單樣本 KS 檢定，用於比較一個觀測樣本與已知的理論分佈（例如常態分佈或均勻分佈）是否吻合。第二種是雙樣本 KS 檢定，用於比較兩組獨立樣本是否來自相同的母體分佈。在機器學習與 AI 系統監控中，雙樣本 KS 檢定更為常見，因為我們通常需要比較訓練集與生產資料集之間的分佈差異。
在實際計算時，KS 統計量 D 被定義為兩個 CDF 之間的最大絕對差值：D = max |F1(x) - F2(x)|。當 D 值夠大（超過根據樣本量計算出的臨界值），則拒絕虛無假設（兩分佈相同），認為兩者存在統計顯著的差異。p 值越小，代表兩分佈差異越明顯，通常以 p < 0.05 作為顯著性門檻。
在機器學習場景中，KS 檢定被廣泛應用於資料漂移偵測（Data Drift Detection）。模型上線後，生產環境中的輸入資料分佈可能隨時間改變，例如用戶行為改變、市場環境變化、或資料採集方式調整。如果訓練資料與生產資料的分佈出現顯著差異，模型的預測能力可能下降，此時模型需要重新訓練或更新。透過定期對每個特徵進行 KS 檢定，可以及時發現哪些特徵的分佈發生了漂移，從而觸發重新訓練或人工審查的流程。
在信用風險評分領域，KS 統計量（稱為 KS Score 或 Gini 相關指標）被廣泛用來衡量模型的區分能力。具體做法是比較模型對「好」客戶與「壞」客戶的預測分數分佈：KS Score 等於在所有閾值中，好客戶累積分佈函數與壞客戶累積分佈函數差值的最大值。KS Score 越高，代表模型對兩類客戶的區分效果越好，行業經驗認為 KS Score 大於 0.4 屬於良好的模型。
KS 檢定的優點在於不需要假設資料的具體分佈形式（非參數），對任何連續分佈都適用，計算速度快，且容易解釋。然而，它對分佈中段的差異比尾部更為敏感，且主要針對連續型隨機變數設計，處理離散型或類別型資料時效果有限。
實務上，除了 KS 檢定，常見的分佈比較方法還包括：卡方檢定（Chi-Square Test，適合類別型特徵）、Population Stability Index（PSI，廣泛用於金融業的特徵穩定性監控）、以及 Wasserstein 距離（Earth Mover's Distance，對整體分佈形狀差異更敏感）。KS 檢定相對簡單且計算速度快，適合作為資料監控流水線中的初步篩選工具，發現問題後再進行更深入的分析。
在 Python 生態系統中，scipy.stats.ks_2samp 函式可以便捷地執行雙樣本 KS 檢定，回傳 KS 統計量與 p 值，讓資料科學家能夠快速整合到現有的模型監控框架中。開源工具如 Evidently AI、Whylogs 也內建了 KS 檢定作為資料漂移監控的標準組件之一。
在 iPAS AI 應用規劃師中級考試中，KS 檢定通常出現在模型監控、資料品質評估、以及公平性評估等情境的題目。考生需要理解 KS 檢定的原理（比較 CDF 差異）、適用條件（連續型資料、非參數）、與卡方檢定的差異、在資料漂移偵測中的應用，以及 p 值解讀方式。 KS 檢驗（Kolmogorov-Smirnov Test）是統計學和機器學習中廣泛使用的非參數檢定方法，以數學家 Andrey Kolmogorov 和 Nikolai Smirnov 的名字命名，特別適用於不假設資料遵循特定分布的場景。
KS 檢驗的核心在於比較累積分布函數（CDF）。單樣本 KS 檢驗比較觀測資料的經驗累積分布函數（ECDF）與理論分布的 CDF，用來判斷樣本是否來自指定的理論分布（例如正態分布、均勻分布）；雙樣本 KS 檢驗比較兩個樣本各自的 ECDF，判斷兩者是否來自相同的母體分布。
KS 統計量 D 定義為兩條 CDF 曲線在任意點上的最大絕對差值。D 值越大表示兩個分布差異越大。P 值由 KS 統計量的理論分布推導，當 P 值低於顯著性水準（通常為 0.05）時，拒絕「兩分布相同」的虛無假設。
在機器學習中，KS 檢驗最重要的應用是資料漂移（Data Drift）偵測。生產環境中，輸入特徵的分布可能隨時間改變（概念漂移），導致模型性能下降。通過定期對比線上資料與訓練資料的 KS 統計量，可以早期發現分布漂移，及時觸發模型重訓或警報機制。許多 MLOps 平台（如 Evidently AI、WhyLogs）內建了 KS 檢驗作為預設的分布監控指標。
在金融信用評分中，KS 值也是衡量模型區分能力（好壞客戶分離程度）的傳統指標，KS 值 > 0.4 通常被認為是模型具有良好區分力的標準。
常見問題
KS 檢定和卡方檢定有什麼不同？
兩者都是統計假設檢定，但適用情境不同。KS 檢定是非參數方法，主要適用於連續型數值資料，直接比較累積分佈函數的形狀差異，不需要將資料分組。卡方檢定則需要將資料分成若干個類別（組距），計算各類別的觀測頻率與期望頻率之間的差異，因此更適合類別型資料或離散型資料。在特徵分佈監控中，若特徵是連續數值（例如年齡、金額），通常優先考慮 KS 檢定；若特徵是類別型（例如地區、職業），則卡方檢定更為合適。
KS 檢定的 p 值要低於多少才算分佈有顯著漂移？
統計上通常以 p 值低於 0.05 作為顯著性門檻，代表在 95% 的信心水準下，拒絕兩分佈相同的虛無假設。然而，在機器學習監控場景中，閾值的設定應根據業務需求調整。若業務對資料品質要求非常高，可能設定更嚴格的 0.01 門檻；若資料本身波動較大或樣本量有限，過嚴的門檻可能導致頻繁誤報。實務上建議搭配 KS 統計量 D 值一起判斷，單純依賴 p 值可能受到樣本量影響，樣本量非常大時即使微小差異也可能達到統計顯著。
在 AI 模型監控中，KS 檢定通常對哪些特徵最有用？
KS 檢定對連續型數值特徵最有效，例如用戶年齡、交易金額、網頁停留時間、感測器讀數等。這些特徵有明確的連續分佈，可以繪製出清晰的 CDF 曲線。在信用風險模型中，KS 檢定也常用於評估模型的區分能力，比較模型對好客戶與壞客戶的預測分數分佈差異，KS 值越高代表模型的區分效果越好。相較之下，對於已經經過 one-hot encoding 的二元特徵或高基數類別特徵，KS 檢定的效果有限，需要搭配其他工具。