Concept Drift زمانی رخ می‌دهد که رابطه آماری میان ورودی و خروجی موردنظر در طول زمان تغییر کند. در نتیجه مدلی که قبلاً مناسب بوده ممکن است به‌تدریج دقتش را از دست بدهد.
یک سناریوی واقعی
برای نمونه، رفتار تشخیص تقلب پس از تغییر روش کلاهبرداران ممکن است با داده تاریخی متفاوت شود.
Concept Drift با Data Drift یکسان نیست. ممکن است توزیع ورودی ثابت بماند اما رابطه ورودی با برچسب تغییر کند.
برای تکمیل بحث، ارتباط این مفهوم را با انحراف توزیع داده و انحراف مدل بررسی کنید.
تفاوت Concept Drift با Data Drift
وقتی رابطه بین ویژگی و برچسب تغییر می‌کند، Concept Drift رخ می‌دهد. برای مثال الگوی تراکنش تقلبی ممکن است حتی با توزیع مبلغ مشابه گذشته، معنای تازه‌ای پیدا کند.