Notre définition

Correspond à une situation où la distribution des données en entrée d’un modèle de Machine Learning change, ce qui peut avoir pour conséquence des dégradations de ses performances globales.

Fait intéressant

💡 Il ne faut pas le confondre avec le Concept Drift, qui correspond à un changement de contexte qui fait que le modèle a appris des patterns qui ne sont plus pertinents.

Littérature

• [Article] Data Drift vs. Concept Drift

‍