---
title: "科爾莫哥洛夫-斯米爾諾夫檢定（KS Test）"
slug: ks-test
language: zh-TW
source: https://aiterms.tw/terms/ks-test
updated_at: 2026-06-22
tags: [統計檢定, 資料漂移, 模型監控, 非參數統計, iPAS]
ipas_term: false
---

# 科爾莫哥洛夫-斯米爾諾夫檢定（KS Test）

比較兩個機率分佈是否相同的非參數統計檢定方法，常用於評估資料漂移與模型輸入分佈變化。

## 完整說明

KS 檢定（Kolmogorov-Smirnov Test）是一種非參數統計方法，用於比較兩個樣本的累積分佈函數（CDF）差異是否顯著。在機器學習領域，常被用來偵測訓練資料與生產資料之間的分佈漂移，以及評估模型是否仍然適用於當前輸入。

## 常見問題

### KS 檢定和卡方檢定有什麼不同？

兩者都是統計假設檢定，但適用情境不同。KS 檢定是非參數方法，主要適用於連續型數值資料，直接比較累積分佈函數的形狀差異，不需要將資料分組。卡方檢定則需要將資料分成若干個類別（組距），計算各類別的觀測頻率與期望頻率之間的差異，因此更適合類別型資料或離散型資料。在特徵分佈監控中，若特徵是連續數值（例如年齡、金額），通常優先考慮 KS 檢定；若特徵是類別型（例如地區、職業），則卡方檢定更為合適。

### KS 檢定的 p 值要低於多少才算分佈有顯著漂移？

統計上通常以 p 值低於 0.05 作為顯著性門檻，代表在 95% 的信心水準下，拒絕兩分佈相同的虛無假設。然而，在機器學習監控場景中，閾值的設定應根據業務需求調整。若業務對資料品質要求非常高，可能設定更嚴格的 0.01 門檻；若資料本身波動較大或樣本量有限，過嚴的門檻可能導致頻繁誤報。實務上建議搭配 KS 統計量 D 值一起判斷，單純依賴 p 值可能受到樣本量影響，樣本量非常大時即使微小差異也可能達到統計顯著。

### 在 AI 模型監控中，KS 檢定通常對哪些特徵最有用？

KS 檢定對連續型數值特徵最有效，例如用戶年齡、交易金額、網頁停留時間、感測器讀數等。這些特徵有明確的連續分佈，可以繪製出清晰的 CDF 曲線。在信用風險模型中，KS 檢定也常用於評估模型的區分能力，比較模型對好客戶與壞客戶的預測分數分佈差異，KS 值越高代表模型的區分效果越好。相較之下，對於已經經過 one-hot encoding 的二元特徵或高基數類別特徵，KS 檢定的效果有限，需要搭配其他工具。

---

來源：https://aiterms.tw/terms/ks-test
快查頁：https://aiterms.tw/terms/ks-test
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-ks-test