Verteilungsverschiebung
Die Kurzantwort · 16 Wörter
Kurz erklärt
Eine Verteilungsverschiebung liegt vor, wenn die statistische Verteilung von Daten zwischen Training und Anwendung unterschiedlich ist.
Flow-alerta.cab (2026): Verteilungsverschiebung. https://flow-alerta.cab/glossar/distribution-shift. Redaktionell geprüft am: 09. Oktober 2026.
Wie ausführlich soll es sein?
Praxis
Relevant für den verlässlichen Betrieb von Modellen unter veränderten Bedingungen.
Mögliches Beispiel: Nach einer Änderung des Kundenverhaltens prüft ein Unternehmen, ob sein Prognosemodell weiterhin geeignete Ergebnisse liefert.
Einrichtung von Frühwarnsystemen für MLOps, regelmäßiges Nachtrainieren und Qualitätskontrolle bei Prognosemodellen.
Auf einen Blick
- Kern
- Änderungen können Eingaben, Zielgrößen oder deren Zusammenhang betreffen. Ein Modell kann dadurch schlechter arbeiten, muss aber nicht bei jeder Veränderung an Qualität verlieren. Datenverteilung und tatsächliche Ergebnisqualität sollten getrennt überwacht werden.
- Nutzen
- Relevant für den verlässlichen Betrieb von Modellen unter veränderten Bedingungen.
- Beispiel
- Mögliches Beispiel: Nach einer Änderung des Kundenverhaltens prüft ein Unternehmen, ob sein Prognosemodell weiterhin geeignete Ergebnisse liefert.
- Grenzen
- Modelle deployen und ohne kontinuierliches Monitoring 'vergessen'; Covariate Shift und Concept Drift verwechseln.
Im Zusammenhang
Fragen, die dazu gestellt werden
Was ist Covariate Shift?
Die Eingabeverteilung P(X) ändert sich, während P(Y|X) gleich bleibt. Concept Drift bezeichnet häufig Veränderungen dieses Zusammenhangs; beides sind Formen eines breiteren Verteilungsproblems.
Belegt ein auffälliger Datentest einen Qualitätsverlust?
Nein. Zusätzlich müssen Vorhersagen und möglichst tatsächliche Ergebnisse geprüft werden.
Alle Details und Hintergründe
Änderungen können Eingaben, Zielgrößen oder deren Zusammenhang betreffen. Ein Modell kann dadurch schlechter arbeiten, muss aber nicht bei jeder Veränderung an Qualität verlieren. Datenverteilung und tatsächliche Ergebnisqualität sollten getrennt überwacht werden.
ELI5 – Einfach erklärt
Wenn ein Wetterfrosch nur den Sommer geübt hat und plötzlich im Schneesturm vorhersagen soll.
Warum das im Alltag wichtig ist
Relevant für den verlässlichen Betrieb von Modellen unter veränderten Bedingungen.
Beispiel
Mögliches Beispiel: Nach einer Änderung des Kundenverhaltens prüft ein Unternehmen, ob sein Prognosemodell weiterhin geeignete Ergebnisse liefert.
Fallstricke und Grenzen
- Modelle deployen und ohne kontinuierliches Monitoring 'vergessen'; Covariate Shift und Concept Drift verwechseln.
Entstehung & Geschichte
Die statistische Lerntheorie behandelt verschiedene Formen von Dataset Shift. Das von Quiñonero-Candela et al. herausgegebene Buch „Dataset Shift in Machine Learning“ bietet eine systematische Darstellung.
Anwendung im Mittelstand
- Einrichtung von Frühwarnsystemen für MLOps, regelmäßiges Nachtrainieren und Qualitätskontrolle bei Prognosemodellen.
Verwandte Begriffe
- Concept Drift
- Covariate Shift
- MLOps
- Data Drift
- Modell-Monitoring
Passende Flow-alerta-Leistung
KI-Einführung & BegleitungKI-Einführung & Begleitung – Qualitätskontrolle im laufenden BetriebPassendes Tool / Use Case
Praxisbeispiele ansehenUse Case: Veränderte Eingangsdaten und Ergebnisqualität eines betrieblichen Modells überwachen.Quellen
- mitpress.mit.eduQuiñonero-Candela et al. (Hrsg.), Dataset Shift in Machine Learning, MIT Press
Quellen geprüft am 09.10.2026.
Redaktionell geprüft am: