“概念漂移”的本义是我们对特定标签的理解方式发生了变化。一个例子就是我们在电子邮件中标记为“垃圾邮件”的内容。频繁、大量发送电子邮件等模式曾被视为垃圾邮件的迹象，但如今情况并非总是如此。仍然使用这些过时属性的垃圾邮件检测器在识别垃圾邮件时会不太有效，因为它们存在概念漂移并且需要重新训练。
税法变化对预测税收遵从度模型的影响
不断变化的客户 塞浦路斯手机号码数据 行为对产品销售预测模型的影响
金融危机对公司利润预测的影响
概念漂移与数据漂移
随着数据漂移，决策边界不会改变；只有输入的概率分布会改变——。随着概念漂移，决策边界会发生变化，输入和输出分布都会改变—— 和 。
另一个重要的区别是，数据漂移主要是内部因素造成的，比如数据收集、处理和训练。概念漂移通常由外部因素造成，比如现实世界的情况。
检测和克服数据和概念漂移的策略
有几种策略可以帮助检测和克服机器学习系统中的模型漂移：
性能监控： 定期评估 模型在保留数据集或生产中的性能，有助于识别准确性或其他可能表明模型漂移的指标的下降。