Datadrift versus conceptdrift
Maak onderscheid tussen verschuivende invoer en verschuivende targets.
Datadrift versus conceptdrift is een gratis MLOps Academy-les op CoddyKit. Dit is les 1 van 4. Je kunt de volledige les hieronder gratis lezen en daarna in de browser praktisch oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is. Deze les maakt deel uit van het leertraject MLOps Academy. Je voortgang wordt gesynchroniseerd op het web en in de CoddyKit-app. De cursus MLOps Academy bevat in totaal 4 lessen.
Twee manieren waarop de wereld verandert
Je model is getraind op een momentopname uit het verleden. Wanneer de werkelijkheid verandert, kan het ongemerkt verouderen. Dat gebeurt op twee verschillende manieren: dataverschuiving en conceptverschuiving. 🌍
Wat dataverschuiving betekent
Dataverschuiving ontstaat wanneer de vorm van de invoergegevens in de loop van de tijd verandert. De kenmerken die je model nu ziet, lijken niet langer op de kenmerken waarvan het heeft geleerd.
Een voorbeeld van dataverschuiving
Een kredietmodel dat vóór de pandemie is getraind, ziet plotseling heel andere inkomens en saldi. De invoer is verschoven, ook al is de betekenis ervan niet veranderd. Dat is pure dataverschuiving.
Wat conceptverschuiving betekent
Conceptverschuiving is verraderlijker: de invoer kan er hetzelfde uitzien, maar de relatie tussen de invoer en het doel is ongemerkt veranderd.
Een voorbeeld van conceptverschuiving
Een spamfilter ziet e-mails die er normaal uitzien, maar spammers bedenken nieuwe trucs. Dezelfde woorden betekenen nu iets anders, dus de koppeling tussen invoer en label is verschoven. Dat is conceptverschuiving.
Het belangrijkste verschil
Dataverschuiving verandert P(X), de verdeling van de invoer. Conceptverschuiving verandert P(y gegeven X), de koppeling van invoer aan het label. Houd ze uit elkaar door te vragen welk onderdeel is verschoven. 🔑
Waarom dit voor jou belangrijk is
Dataverschuiving kan de nauwkeurigheid verminderen, maar soms kan het model zich nog aanpassen. Conceptverschuiving schaadt vrijwel altijd, omdat de werkelijkheid zelf niet meer overeenkomt met wat je hebt geleerd.
Elk type detecteren
Je kunt dataverschuiving herkennen door de invoerverdelingen te volgen, zonder labels nodig te hebben. Voor conceptverschuiving heb je meestal uitkomsten nodig, omdat je voorspellingen met echte resultaten moet vergelijken.
Je invoer benoemen
Het helpt om een duidelijke referentie bij te houden van je trainingsinvoer tegenover de huidige invoer. Met een kleine configuratie kun je controles op verschuiving later eenvoudig aansluiten.
reference = train_df[["income", "balance", "age"]]
current = live_df[["income", "balance", "age"]]
features = list(reference.columns)Ook labelverschuiving
Een nauw verwant begrip is labelverschuiving: de verhouding tussen de doelklassen verandert, bijvoorbeeld wanneer fraude stijgt van 1% naar 5%. Dat kan op de achtergrond wijzen op data- of conceptverschuiving.
Verschuiving is normaal, niet zeldzaam
Verschuiving is geen uitzonderlijke gebeurtenis; het is de standaardtoestand van elk model dat live draait. Het is niet jouw taak om dit te voorkomen, maar om het vroeg te detecteren en op tijd te reageren. ✅
Korte controle
Laten we controleren of je de twee uit elkaar kunt houden.
Samenvatting
Twee soorten verschuiving: dataverschuiving verplaatst de invoer, conceptverschuiving verandert de betekenis. Vraag welk onderdeel is veranderd en onthoud dat verschuiving normaal is, zodat je altijd klaarstaat om die te detecteren. 🎯
Leer Python met een AI-tutor — gratis
Schrijf echte code en voer die uit in je browser, krijg direct hulp van een AI-tutor die 24/7 beschikbaar is en ga verder waar je gebleven bent op het web of in de app.
- Cursussen
- 30
- Lessen
- 120
Veelgestelde vragen
Is de les “Datadrift versus conceptdrift” gratis?
Ja — de volledige tekst van “Datadrift versus conceptdrift” kun je hier gratis op het web lezen. Als je interactief wilt oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is, en de rest van de cursus MLOps Academy wilt ontgrendelen, kun je upgraden naar CoddyKit PRO. De cursus MLOps Academy bevat in totaal 4 lessen.
Wat leer ik in “Datadrift versus conceptdrift”?
Maak onderscheid tussen verschuivende invoer en verschuivende targets. Je oefent met MLOps Academy door code rechtstreeks in de browser uit te voeren. Een AI-begeleider die 24/7 beschikbaar is beantwoordt je vragen terwijl je de les doorwerkt.
Heb ik ervaring nodig om met MLOps Academy te beginnen?
Ervaring vooraf is niet nodig. MLOps Academy op CoddyKit is opgebouwd voor beginners tot gevorderden, zodat je hier of bij het begin kunt starten en in je eigen tempo kunt leren. Dit is les 1 van 4.
Hoe lang duurt de les “Datadrift versus conceptdrift”?
De meeste lessen van CoddyKit duren ongeveer 5–10 minuten. Elke les is kort en interactief, zodat je gestaag vooruitgaat en op het web en in de app precies verdergaat waar je was gebleven.
Kan ik code schrijven en uitvoeren in deze les over MLOps Academy?
Ja. Elke les over MLOps Academy bevat een ingebouwde code-editor, zodat je rechtstreeks in je browser echte code kunt schrijven en uitvoeren en direct feedback van AI krijgt — lokale installatie is niet nodig.
Alle lessen in deze cursus
- Datadrift versus conceptdrift
- Drift meten met PSI en KS
- Driftrapporten genereren met Evidently
- Driftdrempels en triggers instellen