2022！影响百万用户金融信用评分，Equifax被告上法庭，罪魁祸首——『数据漂移』！⛵

作者：韩信子@ShowMeAI

数据分析实战系列：https://www.showmeai.tech/tutorials/40

机器学习实战系列：https://www.showmeai.tech/tutorials/41

本文地址：https://www.showmeai.tech/article-detail/331

声明：版权所有，转载请联系平台与作者并注明出处

收藏ShowMeAI查看更多精彩内容

数据漂移

The Only Constant in Life Is Change. 世界上唯一不变的就是变化本身。

这是一句来自希腊的哲学家赫拉克利特写的话，它很简单但却道出了世界的真理之一。在数据科学与机器学习领域，这句话同样是非常有意义的，在生产中部署机器学习模型的许多实际应用中，数据通常会随着时间的推移而变化，因此之前构建的模型会随着时间的推移而变得不准确，效果大打折扣，这就是典型的数据漂移问题。

真实案例

2022年3月17日至4月6日，信用报告机构 Equifax 的系统出现问题，导致 信用评分不正确，影响到百万级别的消费者，并导致了针对公司的法律索赔和集体诉讼，业内专家称，这个问题的根源就是数据漂移。

数据漂移

何为数据漂移

当我们在使用数据科学方法解决场景问题时，得到方案之后，在实际生产环境中，如果我们拿到的实时预测数据，分布与用于训练模型的训练数据分布有差异时，就发生了『数据漂移』，而它的后果就是预估不再准确，效果下降甚至直接影响公司的收益。

简单的例子，例如用『口罩政策』之前的互联网数据建模，对『口罩政策』实施时的用户行为预估，那一定会有偏差；又如我们用日常数据建模，构建电商推荐系统，在 618 和双11当天预测，可能也会有偏差，模型效果下降。

训练数据和生产数据之间的差异可能是由多种因素造成的。可能本来使用的训练数据就不合适。

例如，如果使用美国道路数据集训练和检测道路状况，应用在中国的道路上，效果就会差非常多，这也是明显的数据漂移。

现代互联网时代，没分每秒都迅速产生海量大数据，我们的数据源呈现爆炸式增长也更容易会有变化。我们并不能每次都提前预判到『数据漂移』问题，甚至有时候我们会遇到特殊的网络攻击，基于『数据漂移』的知识进行调整和切换攻击方式。

例如，我们基于历史数据构建了效果非常良好的垃圾邮件检测功能，但攻击者可能在某个时候改变发送垃圾邮件的行为，因为送入模型的数据发生了变化，我们原本构建的模型可能真的会被『欺骗』。

因此，很重要的是，我们需要有一套比对和检测的机制，可以及时发现『数据漂移』，并对其进行处理。

检测方法概述

有很多数据漂移的检测方法，最简单的方式是基于统计方法来比较『训练数据』（称为基线或参考）和『实时数据』（生产数据）的分布，如果两个分布之间有着显着差异，我们就判断为发生数据漂移。

最流行的统计检验方法包括 Kolmogorov-Smirnov 检验、卡方检验、 Jensen-Shannon 散度、 Wasserstein 距离。 另一类方法是使用机器学习模型来监控数据质量。 我们也可以把两类方法混合使用。

实际生产环境中，统计的方法使用得很多，它们简单且有很不错的效果。下面 ShowMeAI 就基于代码告诉大家如何进行『数据漂移』检测。

代码实现

数据漂移检测

我们在这里会使用到 evidently 这个非常简单易用的工具库，它是一个专门针对『数据漂移』问题构建的工具库，可以对数据 / 标签 / 模型表现等进行检测，不仅可以输出报告，还可以启动实时看板监控。

下面导入工具库

import pandas as pd
from sklearn import datasets
from evidently.dashboard import Dashboard
from evidently.dashboard.tabs import DataDriftTab, CatTargetDriftTab

evidently的使用步骤如下，我们会先加载数据，然后做漂移分析和检测，最后可以构建看板进行分析结果的呈现。

我们使用sklearn自带的 iris 数据集作为示例来给大家讲解，我们把对应的数据和标签读取出来。

iris = datasets.load_iris()
iris_frame = pd.DataFrame(iris.data, columns = iris.feature_names)
iris_frame['target'] = iris.target

我们把完整的数据集切分为训练集和测试集，对其进行对比和数据漂移分析，最后构建仪表盘看板：

iris_data_drift_report = Dashboard(tabs=[DataDriftTab(verbose_level=verbose),
                                         CatTargetDriftTab(verbose_level=verbose)])
iris_data_drift_report.calculate(iris_frame[:75], iris_frame[-new_samples:], column_mapping = None)
iris_data_drift_report.show(mode="inline")

注意到参数verbose，它是布尔值，用于控制显示仪表板的详细程度。 上述代码中我们设置为 False，会得到一个报告如下，里面详细分析了训练集和测试集的『特征字段』和『标签』的分布差异情况：

我们也可以通过下列代码去打开看板和存储html报告。

iris_target_drift_dashboard.show()
iris_target_drift_dashboard.save('iris_target_drift.html')

参考资料

• Equifax issued wrong credit scores for millions of consumers：https://www.cnn.com/2022/08/03/business/equifax-wrong-credit-scores/index.html
• Kolmogorov-Smirnov 检验：https://en.wikipedia.org/wiki/Kolmogorov%E2%80%93Smirnov_test
• 卡方检验：https://en.wikipedia.org/wiki/Chi-squared_test
• Jensen-Shannon 散度：https://en.wikipedia.org/wiki/Jensen%E2%80%93Shannon_divergence
• Wasserstein 距离：https://en.wikipedia.org/wiki/Wasserstein_metric