分布偏移（Distribution Shift）指的是：模型上线后遇到的真实数据，和它训练时见过的数据不再是同一个分布，于是线下评测很好的指标，线上开始往下掉。它是"模型没坏、世界变了"的典型症状。
打个比方。你按老家的路况学开车：路口没车就直行。换到另一个城市，同样"路口没车"，却可能窜出电动车。你的判断规则没变，环境变了，事故率就上去了。模型学的也是某个数据分布上的规律，分布一挪，规律就可能不成立。
常见的分布偏移有三类，分清它们，处理方式完全不同。
协变量偏移（Covariate Shift）：输入的分布变了，但"给定输入、答案是什么"的规律没变。比如人脸识别训练用的是白天正脸照，上线后大量是夜间侧脸；或者推荐系统训练时用户以年轻人为主，推广后中老年用户涌入。
概念漂移（Concept Drift）：输入的分布可能没怎么变，但输入和答案之间的关系变了。比如反欺诈模型，同样一组交易特征，半年前是正常行为，现在成了盗刷团伙的常用套路；又比如某个关键词的搜索量和销量，过去正相关，后来不再相关。
标签偏移（Label Shift）：反过来，答案的分布变了，但"某类答案长什么样"没变。比如某类疾病进入流行季，阳性样本占比大涨。
| 维度 | 协变量偏移 | 概念漂移 |
|---|---|---|
| 什么变了 | 输入 X 的分布 | X 与 Y 之间的关系 |
| 什么没变 | 给定 X 时 Y 的规律 | 输入分布大致稳定 |
| 典型信号 | 特征均值、占比明显漂移，分桶准确率还行 | 特征看着没变，同组样本的误差却上升 |
| 常见应对 | 重加权、补采样、在新数据上微调 | 重新标注、快速重训、在线学习，必要时重定义问题 |
实操上怎么分？先看输入特征监控：均值、分位数、类别占比有没有明显漂移。再看分桶指标：把样本按特征分组，各组的准确率是否稳定。输入漂了、组内还行，偏协变量偏移；输入没怎么动、组内却变差，更像概念漂移。两者常同时发生，不必纠结贴哪个标签，重点是决定"补数据"还是"重标注重训"。
对从业者：别只盯总准确率。把输入分布监控、分桶指标、标签回流后的延迟指标一起放进看板。分布偏移不是事故，而是常态运维项，上线那天起就该假设数据会漂。具体监控指标和阈值以团队口径为准。
对普通人：某个 App 越用越不准，未必是你变奇怪了，也可能是用户群变了，或者世界变了。任何"用历史预测未来"的系统，都建立在"未来长得像过去"这个假设上。