---
title: "標籤分布漂移（Label Drift）"
slug: label-drift
language: zh-TW
source: https://aiterms.tw/terms/label-drift
updated_at: 2026-06-22
tags: [MLOps, 模型部署, 模型評估, 機器學習]
ipas_term: false
---

# 標籤分布漂移（Label Drift）

標籤分布漂移（Label Drift）指模型在生產環境中遭遇的目標變數（標籤）分布與訓練時不同的現象，例如詐欺偵測中詐欺案件占比從 1% 升至 5%，導致原本校準好的模型閾值和效能指標失效，需觸發再訓

## 完整說明

標籤分布漂移（Label Drift）屬於資料漂移（Data Drift）的一種類型，特指訓練集與生產資料中目標變數分布 P(y) 發生改變。與特徵漂移（Covariate Drift，P(x) 改變）不同，標籤漂移直接影響模型的類別先驗假設和決策閾值。常見情境包含：季節性事件改變標籤比例、模型成功部署反饋改變了用戶行為、外部世界事件改變了詐欺或疾病的發生率。偵測方法包含監控標籤分布統計量、使用 JSD 比較訓練期與生產期的標籤分布、以及收集足夠的生產標籤後進行統計假設檢定。

## 常見問題

### 標籤漂移和概念漂移的關鍵差異是什麼？

兩者都涉及標籤的變化，但層次不同。標籤漂移（Label Drift）指標籤的邊際分布 P(y) 改變，但在給定輸入特徵下，標籤的條件分布 P(y|x) 維持不變。例如，詐欺比例從 1% 升至 5%，但哪些特徵組合代表詐欺的規律沒有改變，只是詐欺事件更頻繁了。概念漂移（Concept Drift）更為根本，是 P(y|x) 本身改變，意味著「相同的特徵輸入，現在對應不同的標籤」，例如詐欺者改用了新手法，之前的詐欺特徵組合現在出現在正常交易中。標籤漂移通常可透過閾值調整應對，概念漂移則需要以新資料重新訓練模型。

### MLOps 中應如何建立標籤漂移的監控機制？

建立標籤漂移監控需要三個層次的策略。第一，延遲標籤管道：設計系統自動收集生產環境的真實標籤（用戶確認詐欺的回報、醫師最終診斷、貸款最終還款狀態），計算近期樣本與訓練集標籤分布的 PSI 或 JSD，設定告警閾值（如 PSI > 0.2 觸發調查）。第二，代理指標監控：在真實標籤延遲期間，監控高相關性的代理信號（爭議率、退款率、複診率），作為早期預警。第三，預測分布監控：即時追蹤模型輸出的正類概率分布，若均值或分位數顯著偏移，觸發人工審查，判斷是特徵漂移、標籤漂移還是模型退化。

### iPAS 考題中標籤漂移的常見出題方式？

iPAS 中級考題中標籤漂移通常與 MLOps 和模型監控章節結合出題。常見情境題：「某詐欺偵測模型在上線後三個月效能顯著下降，調查發現近期詐欺案件比例大幅上升，但詐欺特徵組合未明顯改變，此為何種問題」，答案為標籤漂移。辨別題考核：標籤漂移（P(y) 改變）vs 特徵漂移（P(x) 改變）vs 概念漂移（P(y|x) 改變）三者的區分。解決方案題：「發現標籤漂移後，第一步應採取什麼行動」，答案包含調整決策閾值、重新校準後驗機率，以及評估是否需要完整重新訓練（取決於是否同時存在概念漂移）。

---

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