概念漂移(Concept Drift)是指在機器學習和數據挖掘領域中，一個模型試圖預測的目標變數的統計特性隨時間或其他因素變化，從而導致學習模型與當前數據分布不匹配的現象。
這種變化通常是不可預見的，並且可能發生在時序數據中，由於環境不穩定性的影響，數據分布可能會隨時間或其他因素變化。概念漂移可以分為漸進式漂移和突變式漂移，漸進式漂移是指目標變數的統計特性逐漸變化，而突變式漂移則是指目標變數的統計特性突然變化。
概念漂移對許多領域具有重要意義，例如金融衍生品價格預測和動態控制等，為了應對這一問題，通常會進行概念漂移檢測，並在必要時調整模型以適應新的數據分布。