Univariater und multivariater Drift
Erkennen Sie Verschiebungen, die einzelne Features allein übersehen würden.
Univariater und multivariater Drift ist eine kostenlose MLOps Academy-Lektion auf CoddyKit. Dies ist Lektion 1 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des MLOps Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der MLOps Academy-Kurs umfasst insgesamt 4 Lektionen.
Ein Merkmal nach dem anderen
Die einfachste Möglichkeit, nach Drift zu suchen, besteht darin, jedes Merkmal einzeln zu prüfen. Das nennt man die Erkennung von univariatem Drift; damit beginnen die meisten Teams. 📊
So funktionieren univariate Prüfungen
Bei univariatem Drift vergleichen Sie die aktuelle Verteilung jedes Merkmals einzeln mit seiner Referenz aus den Trainingsdaten – Spalte für Spalte, mit Tests wie PSI oder der KS-Statistik.
Die Grenzen univariater Prüfungen
Prüfungen einzelner Merkmale übersehen Veränderungen, die erst in Kombinationen sichtbar werden. Jede Spalte kann völlig normal aussehen, während sich ihre gemeinsame Verteilung unbemerkt verschoben hat.
Beispiel für eine verborgene Verschiebung
Stellen Sie sich vor, Körpergröße und Gewicht sehen einzeln unverändert aus, aber plötzlich treten viele große und leichte Personen auf. Das Paar hat sich verschoben, obwohl sich keines der beiden Merkmale verändert hat. Das ist multivariater Drift.
Was multivariater Drift bedeutet
Multivariater Drift betrachtet Merkmale gemeinsam und erfasst Veränderungen in Korrelationen und Wechselwirkungen, die ein Test für eine einzelne Spalte vollständig übersehen würde.
Der Trick mit dem Domänenklassifikator
Bei einer eleganten multivariaten Methode wird ein Klassifikator darauf trainiert, Referenzzeilen von aktuellen Zeilen zu unterscheiden. Wenn ihm das gelingt, unterscheiden sich die beiden Mengen – und das signalisiert Drift. 🕵️
from sklearn.ensemble import RandomForestClassifier
# label reference=0, current=1, then check AUC
clf = RandomForestClassifier().fit(X_all, is_current)Das AUC-Signal lesen
Liegt die AUC dieses Klassifikators nahe bei 0,5, sind die beiden Zeiträume nicht voneinander zu unterscheiden, also liegt kein Drift vor. Eine AUC, die sich 1,0 nähert, bedeutet, dass sich die Mengen leicht trennen lassen.
Drifterkennung über Rekonstruktion
Ein anderer Ansatz verwendet ein Modell wie PCA: Sie passen es an Referenzdaten an und beobachten anschließend, wie der Rekonstruktionsfehler bei aktuellen Daten steigt, wenn sich die Eingabestruktur verändert.
Beide Perspektiven kombinieren
Führen Sie univariate Prüfungen durch, um zu erkennen, welches Merkmal sich verändert hat, und eine multivariate Prüfung, um Verschiebungen zwischen den Merkmalen aufzudecken. Zusammen beantworten sie unterschiedliche Fragen.
Die Falle mehrfacher Tests beachten
Wenn Sie Hunderte von Merkmalen einzeln testen, werden einige rein zufällig auffällig. Passen Sie die Schwellenwerte an oder korrigieren Sie für multiple Vergleiche, damit Sie nicht in einer Flut von Rauschen untergehen.
Einfach beginnen, dann vertiefen
Beginnen Sie mit univariaten Prüfungen, da sie kostengünstig und gut erklärbar sind. Ergänzen Sie eine multivariate Erkennung, sobald Sie auch subtile gemeinsame Verschiebungen erfassen müssen. ✅
Schnellüberprüfung
Prüfen wir, wann Sie tatsächlich eine multivariate Perspektive benötigen.
Zusammenfassung
Univariater Drift prüft jedes Merkmal einzeln; multivariater Drift erfasst Verschiebungen zwischen den Merkmalen. Verwenden Sie für die gemeinsame Perspektive einen Domänenklassifikator oder PCA und beachten Sie die Falle mehrfacher Tests. 🎯
Lerne Python mit einem KI-Tutor — kostenlos
Schreibe und führe echten Code in deinem Browser aus, bekomme sofortige Hilfe von einem 24/7 KI-Tutor und setze dein Lernen im Web oder in der App fort.
- Kurse
- 30
- Lektionen
- 120
Häufig gestellte Fragen
Ist die Lektion „Univariater und multivariater Drift“ kostenlos?
Ja — der vollständige Text von „Univariater und multivariater Drift“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des MLOps Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der MLOps Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Univariater und multivariater Drift“?
Erkennen Sie Verschiebungen, die einzelne Features allein übersehen würden. Du übst MLOps Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um MLOps Academy zu starten?
Keine Vorkenntnisse erforderlich. MLOps Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 1 von 4.
Wie lange dauert die Lektion „Univariater und multivariater Drift“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser MLOps Academy-Lektion Code schreiben und ausführen?
Ja. Jede MLOps Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Univariater und multivariater Drift
- Performance mit verzögerten Labels überwachen
- Fenster zur Verringerung von Fehlalarmen abstimmen
- Drift-Alarme mit Retraining verknüpfen