在Online Learning的训练过程中，会存在全新的数据（特征空间不同或特征分布不同）进入模型，此时预测结果就会存在较大的偏差。这种现象称为概念漂移（Concept Drifting）
真实数据如果在特征空间上出现了较大的变化，那么原先模型的预测效果就会大打折扣。当模型学到的模式不再成立时，就会发生概念漂移。 
按照概念漂移速度，可以大致分为以下情况：
Sudden： 即相当于突然发生了疫情，那么原先对于市场的预测模型会被瞬间击穿，不具有预测价值。也是我们在思考数据或其他现象时经常会提疫情后时代这个概念。sudden指的是迅速同时又不可逆的改变，强调的是发生的迅速。
incremental： 和gradual都是强调改变发生的缓慢，incremental强调值的随时间改变，gradual则是数据分布的改变。也有些研究者将这两种变化划分为同一类，用incremental gradual这个术语来代替。
recurring: 是一种temporary（临时性）的改变，在一段短时间内会恢复之前的状态。所以也有些研究者将其称为local drift，它不具有周期性，是在不规则的时间间隔内反复转换。
blip: 是代表一种很稀少的事件，它可以被视为一种anomaly或者outlier（异常）。
noise: 是一种随机的改变，通常这种数据会从样本数据中filter out。
