古希腊哲学家赫拉克利特说：“唯一不变的就是变化”。时间拥有着我们无法撼动的强大力量，无论是观念、社会还是人类本身，都会随着时间的推移而发生巨大的变化。
往日比较先进的事物会被当今所淘汰，如今新颖的想法也可能在接下来几年被遗忘。了解变化对企业来说至关重要。
15年前，如果一家手机制造公司没有搭上研发智能手机的列车，还有可能生存下来吗?它们几乎都已经从市场上消失了。拥有功能简单的移动手机是曾经的常态，然而人们的需求迅速转向了智能手机，未能适应变化的公司付出了代价。
数据分析，逐渐开始获得了世界的支配权，机器学习模型成为了促成公司决策的主要力量。这些模型和所有商业策略一样，需要随时间推移而不断调校，技术上来说是由于“模型漂移”。
什么是“模型漂移”
虽然大多数课程、文章和帖子都定义了机器学习的生命周期——从收集数据开始，到在不同环境中部署机器学习模型结束，但人们往往会忘记机器学习生命周期中一个十分重要的特性，那就是模型漂移。
本质上来说，目标变量与自变量之间的关系随时间而变化。模型漂移使模型无法保持稳定，预期也会逐渐出现越来越多的错误。
我们试着从简单的线性回归这一技术角度来理解这一情况。线性回归中，我们简单地映射自变量x_i来预测目标变量y：
y = α + β_1*x_1 + β_2*x_2+ β_3*x_3 + …
其中，α是截距，β_i对应于变量x_i的系数。
通常会假设这一映射是静态的，即我们假设系数β_i(和截距α)不随时间而变化，且控制目标变量y预测的关系对未来的数据也合理有效。
然而，这一假设在所有情况下都不成立。企业的盈利很大程度上依赖于这样的模型，一旦假设不成立，就会对企业构成严重的威胁。
这些模型可能代表了未来发展中的情况，所以之后一定是站不住脚的。由于基本条件的变化，预测会随着时间失去准确性。
漂移的种类
模型漂移可以分为两大类：
第一类是“概念漂移”，一旦目标变量本身的统计特性发生变化，就会发生这种情况。显然，如果试图预测变量的重要意义改变了，模型就不能有效适用于这个定义了。
第二类也是最常见的一类是“数据漂移”，预测的统计特性改变时发生。同样，如果基础变量在改变，模型就会失效。
一个经典的例子就是季节性导致的数据模式变化。夏季有用的商业模型到冬季就可能失效了。假期里航班需求大大增加，而淡季里只能勉强维持客座率。再如人们偏好的改变，就像开头提到的智能手机。
如何解决?
优秀的解决方案就是不断修改模型。模型里开始出现漂移后，可基于以往经验来进行预估。这样一来，模型能够得到积极的重建以降低漂移带来的风险。
如果数据随着时间不断变化，权衡数据是一个不错的选择。基于近期交易来决定特定参数的金融模型能够增加一些特性，如赋予近期交易更多权重而减少对过往交易的关注。这不仅保证了模型的稳健性，而且也有助于避免出现与漂移相关的潜在问题。
应对模型漂移更复杂的一个方法就是对变化本身进行建模。开发的第一个模型必须保持静态并作为基线。现在，由于近期数据行为的改变，可以建立新的模型来纠正对这个基线模型的预测。
应多久重新调校一次模型?
我们已经知道了比较常见的解决方法是持续重新调校模型，接下来的问题就是，需要多久重新调校一次呢?这需要具体问题具体分析。
有时，问题会自己出现。虽然等待问题出现不是最简便的方法，但是对新建的模型来说这是唯一的选择，因为无法从过往的经验知晓问题会如何出现。当问题浮出水面，就可以研究问题并进行修改，以应对日后会出现的相关问题。
有时，数据与模型中处理的实体相关，遵循季节性模式。这种情况下，应随季节变化来重新调校模型。随着节假日支出增加，信贷贷款机构需要特殊的模型来应对模式中突然出现的此类变化。
然而，检测漂移的优秀方法是持续的监测。与模型稳定性有关的度量需要在连续的时间间隔内进行监测。间隔时间可以是一周、一个月或一个季度，取决于不同的领域和业务。
监测可以是由人工操控或交给自动脚本。若突发异常情况，自动脚本要能够触发警报并发送通知。
变化是永恒存在的，只有做好准备接受变化并监测变化的公司才会取得成功，这一点需谨记。
第三十八届CIO班招生
国际CIO认证培训
首席数据官（CDO）认证培训
责编：zhangwenwen
免责声明：本网站（http://www.ciotimes.com/）内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
本网站刊载的所有内容（包括但不仅限文字、图片、LOGO、音频、视频、软件、程序等）版权归原作者所有。任何单位或个人认为本网站中的内容可能涉嫌侵犯其知识产权或存在不实内容时，请及时通知本站，予以删除。
抢沙发
