Hi, 大家週六好！
不知道大家有沒有被ChatGPT與Google的廝殺熱潮打到，
看起來Google目前有點劣勢阿...
該不會微軟的Bing搜尋引擎、Edge瀏覽器真的要趁著這次起飛了嗎？
希望下週還可以看到勁爆的回應😂
---
上次介紹了#資料飄移(Data Distribution Shifts)#談到資料飄移的種類，這次希望用簡短的案例來解說如何實際去偵測資料飄移，進而提早察覺資料可能產生變化，不論是有沒有後續的機器學習、資料科學相關應用，都是有幫助的！
---
*目錄*
- 前言
- 偵測資料飄移的方式
- 總結
---
*前言*
上次談到資料飄移的種類，但知道種類可能還不太足夠，需要去監控，當資料飄移發生時才可以立即解決，避免模型因為效能下降而造成的損失。
甚至光監控資料的變化就可以請資料分析師去探究原因，說不定會發現一些值得注意的問題或者訊息！
---
*偵測資料飄移的方式*
偵測資料飄移的方法通常是透過統計方法，也就是檢定，可以針對一些數值的統計量，如平均數、眾數、中位數、百分位數等等，都可以對應到不同的檢定方法。
而今天想要介紹一個方法，由Designing ML System[1]書中所述的「Kolmogorov – Smirnov test」又稱為KS Test，是一個非母數方法。
KS Test的核心思考其實是檢測分配是否與假定的分配相異（one-sample）或者兩分配是否相異（two-sample），透過這樣的方法正好可以檢測資料是否產生飄移（變壞），常用於Label Shift上！（也就是P(Y)）
1. One-sample KS Test
2, Two-sample KS Test
數學細節可以參考相關的文獻。
資料科學常用的程式語言是Python/R，今天就介紹如何用Python的Scipy[2]套件進行實作：
