模型漂移指生产中数据分布或特征-标签关系变化导致性能隐性下降；alibi-detect支持协变量漂移（特征分布变）和概念漂移（映射关系变）两类检测，不依赖模型预测结果，多数只需原始特征。
什么是模型漂移，alibi-detect 能检测哪几种
模型漂移不是“模型突然失效”，而是指生产环境中输入数据分布或预测目标关系发生了显著变化，导致模型性能隐性下降。Alibi-detect 主要支持两类检测：dataset 级别的**协变量漂移（covariate shift）**（特征分布变）和**概念漂移（concept drift）**（标签与特征的映射关系变）。它不直接测准确率下降，而是通过统计检验或深度学习方法判断新样本是否来自训练分布——这是更早、更主动的信号。
注意：alibi-detect 的检测器本身不依赖模型预测结果（如预测概率），多数只需原始特征；但概念漂移检测器（如 ClassifierDrift）需要你提供一个已训练好的分类器来提取中间表征，否则无法建模“决策边界是否偏移”。
用 UnivariateDrift 快速做单特征监控
适合刚上线、资源有限或想快速验证漂移是否存在。它对每个数值型特征单独做 Kolmogorov-Smirnov 检验，轻量且可解释。
- 必须用训练集数据初始化：传入
train_data（numpy array 或 pd.DataFrame），不能只传均值/标准差 - 测试时调用
predict(x)，返回字典，重点关注['data']['is_drift']（bool）和['data']['p_val']（越小越可能漂移） - 默认显著性水平是 0.05，线上建议调低到
0.01减少误报；但太低会漏检，需结合业务容忍度调参 - 类别型特征不能直接用这个检测器——得先用
TabularDrift或手动编码后用UnivariateDrift配合categorical_features参数
from alibi_detect.cd import UnivariateDrift cd = UnivariateDrift(train_data, p_val=0.01) pred = cd.predict(X_test) print(pred['data']['is_drift']) # True 表示至少一个特征漂移
用 TabularDrift 做全特征联合检测
比单变量更敏感，能捕捉特征间相关性变化（比如“年龄”和“收入”的联合分布偏移），但计算开销大、需要更多参考样本（建议 train_data ≥ 1000 条）。
立即学习“Python免费学习笔记（深入）”；
- 内部使用 MMD（最大均值差异）+ 采样近似，所以必须设
backend='pytorch'或'tensorflow'，且需提前装好对应框架 - 对缺失值敏感：输入
X_test里不能有np.nan，建议用SimpleImputer预处理，或改用KSDrift（它支持 nan） - 如果特征量 > 50，MMD 收敛慢，容易欠检；此时应降维（如 PCA 后取前 10 维）再喂给
TabularDrift，别硬上全量 - 它返回的
p_val是整体漂移概率，不告诉你哪个特征主导——真要归因，得配合feature_score参数启用（仅部分 backend 支持）
部署时怎么避免 alibi-detect 成为性能瓶颈
检测器本身不参与推理，但高频调用（如每条请求都检）会拖慢服务。关键在隔离和异步：
- 不要在 API 主线程里跑
predict()；用 Redis 缓存最近 N 条样本，每 100 条批量触发一次TabularDrift.predict() -
UnivariateDrift可以每小时 reload 一次训练分布（从离线 pipeline 更新train_data），但TabularDrift初始化耗时长，务必复用实例，别每次新建 - 线上环境禁用
verbose=True和return_p_val=True（除非调试），它们会额外计算置信区间，增加 20%+ 开销 - PyTorch backend 在 CPU 上跑
TabularDrift很慢，若无 GPU，优先选KSDrift（纯统计，无依赖）或ChiSquareDrift（专为类别特征优化）
真正难的不是调通检测器，而是定义“多大程度的 p_val 下降值得告警”——这没有通用阈值，得拿历史线上数据回溯测试，看哪个值开始和实际 bad case 匹配上。
