資料漂移
隨著時間推移，模型的準確度可能會下降，因為一個或多個特性中的資料在分佈、量級和其他屬性上發生了變化。由於原始模型是使用包含特定模式和分佈的特性進行訓練的，因此這些分佈未來的變化將影響預測的精確度和品質。
資料漂移可以量化，並且可以透過多種方式進行計算。在 Qlik Predict 中，資料漂移是使用群體穩定性指標公式計算的。請參閱 監控已部署模型中的資料漂移。
最佳實務是透過比較原始 訓練資料集 與產生預測所依據的最新 套用資料集，來監控模型的資料漂移。當資料漂移達到特定閾值時，請重新訓練模型，或者如果原始機器學習問題發生了重大變化，請設定新模型。
如需有關隨時間評估模型效能的詳細資訊，請參閱 隨著時間評估模型效能。
範例
假設一家公司有一系列產品，已確定主要受 45 歲及以上的消費者歡迎。特性 Age 的值分佈可能如下所示。
顯示公司銷售額更吸引 45 歲以上消費者的長條圖。
最近，該公司推出了一款新產品，其行銷對象也吸引了年輕消費者。當產品如預期銷售時，我們看到特性 Age 出現了顯著的特性漂移。
顯示公司銷售額分佈更均勻的長條圖，公司銷售額對所有年齡層的消費者具有同等吸引力。
Qlik Predict 中的資料漂移監控
Qlik Predict 具有內建工具，可協助您在已部署的模型中按特性偵測資料漂移。如需詳細資訊，請參閱 監控已部署模型中的資料漂移。