模型部署到生产环境后，训练阶段的评估结果只能代表历史表现。随着业务数据不断变化，输入特征可能出现分布漂移，模型对某些分组的预测精度也会逐渐下降。Evidently AI 通过对比参考数据和当前数据，输出可解释的监测报告，帮助团队在指标恶化前定位问题。
一、数据漂移检测的核心机制
Evidently AI 对数据漂移的检测不是简单比较均值或方差，而是对每个特征独立执行统计检验。数值型特征默认可以使用 Wasserstein 距离，它衡量把一个分布搬运成另一个分布的最小代价，比 Kolmogorov-Smirnov 检验对小幅偏移更敏感。类别型特征则通过 Population Stability Index 或卡方检验判断频率变化。
在报告结果中，每个特征会被标记为 detected drift 或 not detected drift。阈值通常设置在 0.05 或业务可接受范围。缺失率的显著上升同样会被视为漂移信号，因为高缺失可能意味着上游数据采集逻辑发生变化。分析时应当优先关注漂移特征是否参与模型的核心决策，而不是对所有漂移特征无差别告警。
例如，在一个风控模型中，如果交易金额的分布发生漂移，而模型训练时主要依赖历史金额区间，那么线上预测很可能出现系统性偏差。Evidently AI 会输出漂移得分和可视化图，帮助判断是整体分布平移，还是某一端尾部数据异常增加。
二、快速生成数据漂移报告
安装 Evidently AI 后，核心流程是准备两份结构相同的数据集：reference_data 代表训练或上线初期的基线数据，current_data 代表当前生产窗口内的数据。报告对象可以挂载 DataDriftPreset，也可以单独指定 DataDriftTable 和 DataDriftMetrics。
import pandas as pd
from evidently.report import Report
from evidently.metric_preset import DataDriftPreset
reference = pd.read_csv('reference_data.csv')
current = pd.read_csv('current_data.csv')
report = Report(metrics=[DataDriftPreset()])
report.run(reference_data=reference, current_data=current)
report.save_html('data_drift_report.html')
上面的代码会把完整报告保存为独立的 HTML 文件，其中包含整体漂移结论、每个特征的漂移得分、分布对比图以及缺失值变化。如果希望在 Jupyter 环境中直接查看，可以把 save_html 替换为 report.show()。
报告中还会展示一个数据集级别的 drift share，表示发生漂移的特征占比。这个指标适合作为宏观告警条件，例如当 drift share 超过 0.3 时触发通知，再进一步查看具体特征。注意不要只依赖单一阈值，应结合特征重要性和业务语义。
三、性能衰减检测与代理指标
性能衰减检测的理想方式是用真实标签计算当前数据的准确率、召回率或 AUC。但生产环境中标签往往存在延迟，例如信贷违约可能需要数月才能确认。Evidently AI 支持在 current_data 中提供目标列，自动计算分类或回归性能。
from evidently.metric_preset import ClassificationPreset
report = Report(metrics=[ClassificationPreset()])
report.run(reference_data=reference, current_data=current)
report.save_html('classification_performance.html')
当真实标签不可用时，Evidently AI 提供 DataQualityPreset 和自定义指标，通过预测分布偏移、置信度变化、特征漂移等代理指标间接推断模型退化风险。预测分数分布出现明显偏移，通常意味着模型遇到了一批与训练数据差异较大的样本。
例如，如果某客服工单分类模型上线后，高置信度预测占比从 82% 下降到 61%，即使没有人工标注结果，也可以判断模型对当前数据的确定性下降，需要排查数据管道或考虑重新训练。将代理指标与真实性能指标结合，可以形成分层告警机制。
四、生产环境集成的建议
Evidently AI 既可以作为离线分析工具，也可以嵌入到定时任务中。Airflow、Prefect 或简单的 cron 脚本都可以调用 Python API 生成报告并发送到指定目录。对于高频预测场景，可以按小时聚合当前数据，与每日基线对比，避免单次波动造成误报。
from evidently.metric_preset import DataDriftPreset
from datetime import datetime
def run_drift_monitor():
report = Report(metrics=[DataDriftPreset()])
report.run(reference_data=reference, current_data=current_window)
timestamp = datetime.now().strftime('%Y%m%d_%H%M')
report.save_html(f'monitor_{timestamp}.html')
团队还需要维护基线数据的版本，模型重新训练后应同步更新 reference_data，否则漂移检测会把新模型的行为误判为数据异常。最后，报告只是发现问题的手段，真正的闭环需要把告警接入值班系统，并明确责任人在收到告警后如何处理。
Evidently_AI数据漂移性能衰减修改时间：2026-08-13 04:16:17