待验证50% 置信事实精确时间

概念漂移可形式化表达为 P_t(X, Y) ≠ P_{t+1}(X, Y)，变化可能来自特征分布P(X)的偏移（协变量偏移）、条件分布P(Y|X)的改变（真正的概念漂移）或两者兼有

1

来源数

50%

置信度

长期有效

时效性

2026/8/6

首次发现

来源

硕士生文献综述实战指南：从选题到分类法构建

相关事实

待验证数据分布漂移在机器学习理论中被细分为协变量漂移、标签漂移和概念漂移三类66% 相似待验证概念漂移（Concept Drift）指输入变量与目标变量之间的映射关系本身发生变化65% 相似已验证模型漂移通常分为数据漂移和概念漂移两类，数据漂移指输入数据统计分布随时间变化，概念漂移指输入与输出关系本身发生变化65% 相似待验证旋转变换量化的理论基础是正交矩阵不改变模型数学等价性但能重新分布数值统计特性，用于搅匀离群值64% 相似待验证后验分布通过贝叶斯定理获得：p(θ|x)∝p(x|θ)·p(θ)，将先验知识与数据似然结合63% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/699193

API

curl https://kongchang.com/api/v1/knowledge/claims/699193

MCP

get_claim(id=699193)