m0_74427613的博客

原创 常见的概念漂移检测方法对比

概念漂移是机器学习模型学到的输入输出关系的变化。举个垃圾邮件识别的例子：假设有一个用大量的电子邮件数据集来训练的机器学习模型来检测电子邮件是否为垃圾邮件，他的正确率很高。如果垃圾邮件发送者想出了新的方法，使得曾经的垃圾邮件看起来像是普通邮件，那么这个模型在一段时间后检测的正确率会下降。这种变化就是概念漂移的一个例子。原因是垃圾邮件的概念，即正确的标签（目标变量）发生了变化；随着垃圾邮件发送策略的变化垃圾邮件在数据集中的比例、特征也发生了变化，即数据分布发生了变化。