MLOps Academy · 课时

单变量偏移与多变量偏移

Q: 「单变量偏移与多变量偏移」这节课中我会学到什么？

捕捉仅检查单个特征时可能遗漏的变化 你通过在浏览器中直接运行的动手代码来练习 MLOps Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

捕捉仅检查单个特征时可能遗漏的变化

单变量偏移与多变量偏移 是 CoddyKit 上的免费 MLOps Academy 课时。这是第 1 节课，共 4 节。你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。这是 MLOps Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 MLOps Academy 课程共包含 4 节课。

一次检查一个特征

监测漂移最简单的方法，是分别检查每个特征。这称为单变量漂移检测，也是大多数团队的起点。📊

单变量检查的工作方式

进行单变量漂移检测时，您会将每个特征当前的分布与训练时的参考分布进行比较，一次比较一列，并使用 PSI 或 KS 统计量等检验。

单变量检测的局限

单特征检查无法发现只有在特征组合中才会出现的变化。每一列看起来都完全正常，但它们的联合分布可能已经悄然改变。

一个隐藏变化的例子

想象一下，身高和体重单独看都没有变化，但高个且体重较轻的人突然增多了。虽然两个特征本身都没有变化，但它们的组合发生了漂移。这就是多变量漂移。

多变量漂移的含义

多变量漂移会将多个特征放在一起观察，从而捕捉相关性和交互关系的变化，而任何单列检验都可能完全忽略这些变化。

领域分类器技巧

一种巧妙的多变量方法，是训练一个分类器来区分参考数据行和当前数据行。如果分类器能够成功区分，说明两组数据存在差异，也就表明出现了漂移。🕵️

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

解读 AUC 信号

如果该分类器的 AUC 接近 0.5，说明两个时期的数据无法区分，因此没有漂移。如果 AUC 逐渐接近 1.0，说明两组数据很容易被分开。

基于重构的漂移检测

另一种方法使用类似 PCA 的模型：在参考数据上训练模型，然后观察输入结构发生变化时，当前数据上的重构误差是否上升。

结合两种视角

运行单变量检查，以了解哪个特征发生了变化；再运行多变量检查，以捕捉隐藏在特征之间的变化。两者结合可以回答不同的问题。

留意多重检验陷阱

逐一检验数百个特征时，有些特征会纯粹因为偶然而触发警报。请调整阈值，或针对多重比较进行校正，避免淹没在噪声中。

从简单开始，逐步深入

先从单变量检查开始，因为它成本低且易于解释。当您需要捕捉细微的联合变化时，再加入多变量检测。✅

快速检查

让我们检验一下，您究竟什么时候需要多变量视角。

回顾

单变量漂移分别检查每个特征；多变量漂移则捕捉特征之间的变化。使用领域分类器或 PCA 来观察联合变化，同时留意多重检验陷阱。🎯

常见问题解答

「单变量偏移与多变量偏移」课时是免费的吗？

是的 — 「单变量偏移与多变量偏移」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 MLOps Academy 课程的其余内容，请升级到 CoddyKit PRO。 MLOps Academy 课程共包含 4 节课。

「单变量偏移与多变量偏移」这节课中我会学到什么？

捕捉仅检查单个特征时可能遗漏的变化你通过在浏览器中直接运行的动手代码来练习 MLOps Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

学习 MLOps Academy 需要有经验吗？

无需任何先前经验。CoddyKit 上的 MLOps Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。这是第 1 节课，共 4 节。

「单变量偏移与多变量偏移」课时需要多长时间？

大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。

我能在这节 MLOps Academy 课中编写并运行代码吗？

能。每节 MLOps Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。

此课程中的所有课时

← 返回 MLOps Academy