这种现象称为协变量偏移，它可以影响特征、目标，你可以命名它。

当测试数据分布与训练数据不同时，就会发生这种情况。或者您的问题是时间序列问题，其中时间是最大的自变量。

第一种情况：没有模型可以适应目标的行为变化。您必须等到从当前时间收集到足够的数据，然后重新训练一个相当令人满意的模型，或者进行在线学习，这意味着您预测的每个数据点都被输入模型进行训练。那样; 如果目标发生变化，您的模型将使用每个新数据点进行更新。

第二种情况：假设您的目标变量每 2 年有上升趋势，然后下降。这是我正在做的一个假设。您的任务是检测影响您的目标的时间变化并对其进行建模。您创建的模型考虑到每 2 年，您的目标就会下降。等等。这就是我们所说的时间序列问题，其中时间是目标变化的最大贡献者。

如果第二种情况对您没有意义，并且与您的问题无关，那么请查看第一种情况。

我不认为在我做过的任何模型中，未来每个时间段的事件率都与训练期相同。模型的重点，在这种情况下是二进制分类，是找到事件和非事件（0 和 1）。预测周期的事件率（余额）与训练模型的事件率无关。在二元分类模型中，每条记录都是独立评分的。训练数据的事件率影响训练。

如果模型在某些时期表现不佳，请分析原因。这意味着一些记录被错误地分类。可能是使用的阈值，可能是数据漂移，可能是模型很弱，某些模式变得更加普遍。

也许您需要重新训练模型（以及是否过度/欠采样）或寻找新特征或更改阈值或其他操作，但不是因为未来时期的事件率。这将是因为模型没有达到您要解决的问题。