MLOps Academy · レッスン

単変量ドリフトと多変量ドリフト

単一特徴量だけでは見逃す変化を検出します。

「単変量ドリフトと多変量ドリフト」はCoddyKit上の無料MLOps Academyレッスンです。これはレッスン1/4です。下記で完全なレッスンを無料で読むことができます。その後、ブラウザ内の組み込みコードエディタと24時間対応のAIチューターでハンズオン演習できます。これはMLOps Academy学習パスの一部であり、ウェブとCoddyKitアプリ全体で進捗が同期されます。 MLOps Academyコースには全4レッスンが含まれています。

このレッスンの一部はまだ翻訳されておらず、英語で表示されています。

One Feature at a Time

The simplest way to watch for drift is to check each feature on its own. That is called univariate drift detection, and it is where most teams start. 📊

How Univariate Checks Work

For univariate drift, you compare each feature's current distribution against its training reference, one column at a time, with tests like PSI or the KS statistic.

Where Univariate Falls Short

Single-feature checks miss shifts that only show up in combinations. Each column can look perfectly normal while their joint distribution has quietly moved.

A Hidden Shift Example

Imagine height and weight each look unchanged alone, but tall-and-light people suddenly appear. The pair drifted even though neither feature did. That is multivariate drift.

What Multivariate Drift Means

Multivariate drift looks at features together, capturing changes in correlations and interactions that any single-column test would completely overlook.

The Domain Classifier Trick

A neat multivariate method trains a classifier to tell reference rows from current rows. If it succeeds, the two sets differ, and that signals drift. 🕵️

from sklearn.ensemble import RandomForestClassifier
# label reference=0, current=1, then check AUC
clf = RandomForestClassifier().fit(X_all, is_current)

Reading the AUC Signal

If that classifier's AUC sits near 0.5, the two periods are indistinguishable, so no drift. An AUC climbing toward 1.0 means the sets are easy to separate.

Reconstruction-Based Drift

Another approach uses a model like PCA: fit it on reference data, then watch reconstruction error rise on current data when the input structure shifts.

Combine Both Views

Run univariate checks to know which feature moved, and a multivariate check to catch the shifts hiding between them. They answer different questions together.

Watch the Multiple-Test Trap

Testing hundreds of features one by one means some will flag by pure chance. Adjust thresholds or correct for multiple comparisons so you are not buried in noise.

Start Simple, Add Depth

Begin with univariate checks because they are cheap and explainable. Layer in multivariate detection once you need to catch the subtle joint shifts. ✅

Quick Check

Let us test when you actually need a multivariate view.

Recap

Univariate drift checks each feature alone; multivariate drift catches shifts between them. Use a domain classifier or PCA for the joint view, and mind the multiple-test trap. 🎯

よくある質問

「単変量ドリフトと多変量ドリフト」レッスンは無料ですか？

はい。「単変量ドリフトと多変量ドリフト」の完全なテキストはこのウェブで無料で読めます。インタラクティブに演習し（組み込みコードエディタと24時間対応のAIチューター）、MLOps Academyコースの残りをアンロックするには、CoddyKit PROにアップグレードしてください。 MLOps Academyコースには全4レッスンが含まれています。

「単変量ドリフトと多変量ドリフト」で何を学びますか？

単一特徴量だけでは見逃す変化を検出します。ブラウザで直接実行するハンズオンコードでMLOps Academyを演習し、24時間対応のAIチューターがレッスンを進める中での質問に答えます。

MLOps Academyを始めるのに経験は必要ですか？

事前経験は必要ありません。CoddyKitのMLOps Academyは初級者から上級者向けに構成されているため、ここから始めるか最初から始めて、自分のペースで進むことができます。これはレッスン1/4です。

「単変量ドリフトと多変量ドリフト」レッスンにはどのくらい時間がかかりますか？

ほとんどのCoddyKitレッスンは約5～10分かかります。各レッスンはコンパクトでインタラクティブなので、着実に進歩し、ウェブとアプリ全体で正確に前回の場所から再開できます。

このMLOps Academyレッスンでコードを書いて実行できますか？

はい。すべてのMLOps Academyレッスンに組み込みコードエディタが含まれているため、ブラウザでリアルコードを書いて実行し、即座のAIフィードバックを取得できます。ローカル設定は不要です。

このコースのすべてのレッスン

← MLOps Academyに戻る