# 数据漂移

随着时间的推移，模型的准确度可能会下降，因为一个或多个特性中的数据在分布、量级和其他属性上发生了变化。由于原始模型是使用包含特定模式和分布的特性进行训练的，因此这些分布的未来变化将影响预测的精确度和质量。

数据漂移可以被量化，并且可以通过多种方式进行计算。在 Qlik Predict 中，数据漂移是使用群体稳定性指数公式计算的。请参阅 [监控已部署模型中的数据漂移](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/monitor-drift.htm)。

最佳实践是通过将原始 训练数据集 与生成预测所基于的最新 应用数据集 进行比较，来监控模型的数据漂移。当数据漂移达到特定阈值时，重新训练模型，或者如果原始机器学习问题发生了实质性变化，则配置新模型。

有关随着时间的推移评估模型性能的更多信息，请参阅 [评估模型随时间变化的性能](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/models-over-time.htm)。

## 示例

假设一家公司有一系列产品，这些产品主要受 45 岁及以上消费者的欢迎。特性 年龄 的值分布可能如下所示。

条形图表显示公司销售额对 45 岁以上的消费者更具吸引力。

条形图表显示公司销售额对 45 岁以上的消费者更具吸引力。

条形图表显示公司销售额对 45 岁以上的消费者更具吸引力。 ![在公司推出新产品之前按年龄显示产品购买分布的条形图表。在这种情况下，年龄频率的分布显示销售主要吸引 45 岁及以上的成年人。](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Resources/Images/AutomatedMachineLearning/data-drift-example_before-product-launch.png)

最近，该公司推出了一款新产品，其营销旨在吸引年轻消费者。当产品按预期销售时，我们看到特性 年龄 出现了显著的特性漂移。

条形图表显示公司销售额分布更加均匀，公司销售额对所有年龄段的消费者具有同等吸引力。

条形图表显示公司销售额分布更加均匀，公司销售额对所有年龄段的消费者具有同等吸引力。

条形图表显示公司销售额分布更加均匀，公司销售额对所有年龄段的消费者具有同等吸引力。 ![在公司推出新产品之后按年龄显示产品购买分布的条形图表。在这种情况下，年龄频率的分布已经从主要吸引 45 岁及以上成年人的销售，转变为在所有年龄段中分布更加均匀的受欢迎程度。](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Resources/Images/AutomatedMachineLearning/data-drift-example_after-product-launch.png)

## Qlik Predict 中的数据漂移监控

Qlik Predict 具有内置工具，可帮助您在已部署的模型中按特性检测数据漂移。有关更多信息，请参阅 [监控已部署模型中的数据漂移](https://help.qlik.com/zh-CN/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/monitor-drift.htm)。