数据漂移的分类

　　

　　第一种 叫做特征漂移或者是协变量漂移，它指的是在 $p(y|x)$ 不变的情况下，$p(x)$ 变化的情况。 比如我训练模型的时候用的主要是中年人的数据，但是在线上的主要用户却是青少年居多，那么很可能我没有那么好的数据

　　第二种叫做 label shift 也经常被叫做 prior shift， 顾名思义，就是 $y$ 的概率进行了漂移，但是 $p(x|y)$ 却没怎么变化。这里通常在做一些反因果的推断的时候比较又用比如 $x$ 是疾病的表现，$y$ 是疾病，那么疾病导致表现就可以认为是不变的，但是如果我们看到某一个疾病的出现更多了，那么可能是有什么突然的密集感染等等。

　　第三种就是 $p(y|x)$ 改变了，$p(x)$ 却没怎么变，这一类 shift 被称作 concept shift，概念漂移。比如说同样是搜索武汉这个城市，在疫情前爆发前和疫情爆发后，和在疫情被控制之后，大家想看到的内容是不一样的。

 

 

 

 https://www.bilibili.com/video/BV1Ta411Z71A/?spm_id_from=333.999.0.0&vd_source=3ed772508ddeb48d236a6a9feb8a75a3

 

 https://www.bilibili.com/read/cv18322985

 

 

==================