例子
在欺詐檢測應用程式中，目標概念可以是具有值“是”或“否”的二進制屬性FRAUDULENT，其指示給定交易是否是欺詐性的。或者，在天氣預報套用中，可能存在若干目標概念，例如TEMPERATURE，PRESSURE和HUMIDITY。
線上商店中的客戶的行為可能隨時間而改變。例如，如果要預測每周的商品銷售，並且已經開發出令人滿意的預測模型。該模型可以使用諸如廣告花費的金額，正在運行的促銷以及可能影響銷售的其他指標等輸入。隨著時間的推移，模型可能變得越來越不準確 - 這就是概念漂移。在商品銷售套用中，概念漂移的一個原因可能是季節性，這意味著購物行為會季節性變化。例如，冬季假期的銷售額可能高於夏季。
可能的補救措施
為了防止由於概念漂移導致的預測精度的惡化，可以採用有源和無源解決方案。主動解決方案依賴於觸發機制，例如變化檢測測試（Basseville和Nikiforov 1993; Alippi和Roveri，2007），以明確地將概念漂移檢測為數據生成過程統計數據的變化。在靜止條件下，可以集成任何可用的新信息來改進模型。不同的是，當檢測到概念漂移時，當前模型不再是最新的，必須用新的模型替換以保持預測準確性（Gama等，2004; Alippi等，2011）。相反，在被動解決方案中，模型不斷更新，例如，通過在最近觀察到的樣本上重新訓練模型（Widmer和Kubat，1996），或強制執行一組分類器（Elwell和Polikar 2011）。
軟體
RapidMiner（以前的YALE（又一個學習環境））：用於知識發現，數據挖掘和機器學習的免費開源軟體，還具有數據流挖掘，學習時變概念和跟蹤漂移概念（如果與其結合使用） 數據流挖掘外掛程式（原名：概念漂移外掛程式） 。
EDDM（EDDM（早期漂移檢測方法））：Weka（機器學習）中漂移檢測方法的免費開源實現。
MOA（大規模線上分析）：免費的開源軟體，專門用於挖掘具有概念漂移的數據流。 它包含一個前序評估方法，EDDM概念漂移方法，ARFF真實數據集的讀者，以及作為SEA概念的人工流生成器，STAGGER，旋轉超平面，隨機樹和基於隨機半徑的函式。 MOA支持與Weka（機器學習）的雙向互動。
