In molti contesti, che vanno dal text mining alla produzione industriale, lo streaming dei dati collezionati per questi processi è spesso continuo ed è naturale che ci siano dei cambiamenti nella loro distribuzione. Questo fenomeno è detto concept drift, e il suo studio è diventato necessario nella fase di training e learning dei modelli di machine learning, in quanto una mancata identificazione di questo tipo di evento potrebbe portare ad una riduzione di efficacia predittiva del modello. In particolare, in questo elaborato si andrà ad analizzare la generalità di una metodologia unsupervised in grado di individuare in maniera automatica la presenza di class-based concept drift, ovvero quando le variazioni nel flusso dei dati sono dovute alla comparsa di una loro nuova classe, non presente in fase di training ..