ML：机器学习之模型监控阶段—模型稳定性分析的简介、常用的监控指标(CSI/PSI)、提高模型稳定性(通用方法/线性模型场景/树类模型场景)的策略之详细攻略

ML：机器学习之模型监控阶段—模型稳定性分析的简介、常用的监控指标(CSI/PSI)、提高模型稳定性(通用方法/线性模型场景/树类模型场景)的策略之详细攻略

目录

模型稳定性分析的简介

1、模型稳定性分析的概述

2、模型稳定性常用的监控指标

ML之CSI：特征稳定性指标(Characteristic Stability Index)的简介(特征筛选/特征监控、CSI和PSI指标对比)、使用方法、案例应用之详细攻略

ML之PSI：人群偏移度指标(Population Stability Index)的简介(特征筛选/特征监控/模型监控/AB测试)、使用方法、案例应用(风控业务/风险评估/市场分析等)之详细攻略

提高模型稳定性的策略

1、提高模型稳定性的通用方法：CV领域加扰动、DS领域SMOTE法

2、适合泛线性模型：幅度过大的变量进行分箱处理(如逻辑回归的WOE编码)

3、适合基于树的模型：降低过拟合技术(剪枝/集成学习)

---

模型稳定性分析的简介

1、模型稳定性分析的概述

简介	模型稳定性分析是指评估模型在不同数据集上的性能稳定性的过程，尤其是指模型部署之后，在实际生产环境中的模型稳定性。在实际应用中，模型面临着不同的数据分布、样本规模、特征空间等多种变化，这些变化都可能影响模型的性能。因此，需要进行模型稳定性分析，以评估模型的鲁棒性和可靠性。<