Feature Drift

Definition / 释义

Feature drift：在机器学习中，指输入特征（数据的分布、统计特性或含义）随着时间发生变化，导致模型在新数据上的表现下降。常见于用户行为变化、业务规则调整、传感器老化、数据采集方式改变等情境。（也常与 data drift / concept drift 一起讨论，但侧重点在“特征/输入”本身的变化。）

Pronunciation / 发音

/ˈfiːtʃər drɪft/

Examples / 例句

Feature drift can make a good model perform poorly over time.
特征漂移会让一个原本表现良好的模型随着时间推移而表现变差。

After the app redesign, we observed feature drift in click-through patterns, so we retrained the model and updated the monitoring thresholds.
应用改版后，我们在点击行为模式的特征上观察到漂移，因此重新训练了模型并更新了监控阈值。

Etymology / 词源

feature 源自法语 faiture（“形成、做成的东西”），在现代英语中常指“特征/特性”；drift 源自古诺尔斯语 drífa（“漂流、被推动而移动”）。合起来 feature drift 直观表达“特征随时间漂移/偏移”。

Related Words / 相关词

• Data Drift
• Concept Drift
• Covariate Shift
• Distribution Shift
• Model Drift
• Monitoring
• Retraining
• Feature Engineering

Literary Works / 文学作品

• Designing Machine Learning Systems（Chip Huyen）——讨论数据/特征分布变化与线上监控、再训练策略。
• Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow（Aurélien Géron）——涉及数据分布变化对模型效果的影响与实践应对。
• Machine Learning Engineering（Andriy Burkov）——覆盖生产环境中的数据变化、模型维护与漂移问题。
• Building Machine Learning Powered Applications（Emmanuel Ameisen）——包含模型上线后数据变化与迭代的工程视角。