Capítulo 2: Detección de Deriva de Datos

Tipos de Deriva

Tipo	Descripción	Detección
Deriva de Covariables	Cambios en la distribución de los datos de entrada	Pruebas estadísticas sobre las características
Deriva de Concepto	Cambia la relación entre X e Y	Monitorear la precisión de las predicciones
Deriva de Etiquetas	Cambios en la distribución del objetivo	Comparar las distribuciones de predicción

Pruebas Estadísticas para la Deriva

from scipy import stats
import numpy as np

def detect_drift(reference_data: np.ndarray, current_data: np.ndarray, threshold: float = 0.05):
    """Detect drift using Kolmogorov-Smirnov test."""
    drift_results = {}
    
    for i, feature in enumerate(feature_names):
        statistic, p_value = stats.ks_2samp(
            reference_data[:, i],
            current_data[:, i]
        )
        drift_results[feature] = {
            'statistic': statistic,
            'p_value': p_value,
            'drift_detected': p_value < threshold
        }
    
    return drift_results

Panel de Monitoreo de Deriva

# Grafana dashboard config
panels:
  - title: "Feature Drift Score"
    type: timeseries
    targets:
      - expr: model_drift_score{feature="age"}
      - expr: model_drift_score{feature="income"}
    thresholds:
      - value: 0.1
        color: yellow
      - value: 0.2
        color: red

---

Siguiente: Capítulo 3: Alertas y Respuesta a Incidentes