一句话定义：独立同分布（independent and identically distributed，i.i.d.）指一组数据里每个样本互不影响（独立），而且都来自同一个概率分布（同分布）。
打个比方：掷一颗公平骰子，连掷十次，上一次是几点不影响下一次（独立），每次都是同一颗骰子、同样的概率（同分布）。机器学习几乎所有训练流程，都默认自己在掷同一颗骰子：训练集是从真实世界这个“骰子”里独立抽出来的，测试集、线上流量也从同一个“骰子”里抽。只有这个前提成立，训练集上的表现才能代表线上的表现——这就是“泛化”能成立的地基。
注意“独立”和“同分布”是两件事，它们可以只坏一半：
| 情形 | 独立？ | 同分布？ | 典型例子 |
|---|---|---|---|
| 掷骰子 | 是 | 是 | 理想假设 |
| 同一用户的多条行为 | 否 | 是 | 序列、会话数据 |
| 北京用户训练、成都用户上线 | 是 | 否 | 协变量偏移 |
| 老模型日志训练、新策略上线 | 否 | 否 | 反馈回路、曝光偏差 |
和相邻概念的区别：i.i.d. 说的是“采样方式”，分布偏移（distribution shift）说的是“这个假设被打破后的结果”。常见三种破坏方式——协变量偏移（covariate shift）：输入分布 P(x) 变了，但 P(y|x) 没变，比如换城市、换渠道；标签偏移（label shift）：类别比例变了，比如大促期间异常订单占比暴涨；概念漂移（concept drift）：P(y|x) 本身随时间变，比如用户喜好、欺诈手法变了。时间序列里样本天然不独立，工程上一般退一步要求“平稳性”（stationarity），也就是分布别随时间剧烈变动。
对从业者的实际意义，最容易被忽视的有两点。第一，划分数据集时的随机切分隐含了 i.i.d. 假设。如果数据带时间顺序或按用户聚合，随机切分会让同一个人、同一段时间的样本同时落进训练集和验证集，验证分数虚高，上线就掉点。更稳的做法是按时间切、按用户或设备分组切（group split）。第二，训练数据往往来自历史日志，而日志只记录了旧策略曾经展示过的样本，这本身就是有偏采样，不是从目标分布里独立抽取——模型越用越偏，就是反馈回路。
对业务方和普通职场人：模型不是“学会了就永远会”，它学的是某一段时间的数据规律。改版、换投放渠道、大促、季节变化，都会让线上输入分布偏离训练分布，效果打折是常态而非故障。所以上线后要监控输入特征的分布变化（例如 PSI 之类的稳定性指标，具体口径以团队规范为准）、保留回滚方案、按周期重训。
一句话收尾：i.i.d. 不是数据的天性，而是建模时押的一个赌注；越早在数据切分和上线监控里验证这个赌注，越少在线上掉点。