La dérive du modèle est la dégradation ou le changement de la performance d’un modèle au fil du temps lorsque les données réelles, le comportement des utilisateurs ou les conditions opérationnelles divergent des données utilisées pendant l’entraînement ou l’évaluation. La détection de la dérive est importante pour décider quand réentraîner, recalibrer ou remplacer un modèle.
A side-by-side comparison of Data Drift and Model Drift. Understand how changes in input-data distribution differ from changes or degradation in model performance over time.
A side-by-side comparison of Model Drift and Concept Drift. It explains how performance degradation over time differs from a changing statistical relationship between inputs and target outcomes.