GBDT梯度提升树结果解读：迭代拟合与变量重要性.docxVIP

GBDT分类模型结果解读

一、方法概述

GBDT（GradientBoostingDecisionTree）是一种基于决策树的集成学习算法，通过将多个弱分类器（回归树）进行迭代加权来提升模型的预测准确性。在每一次迭代中，GBDT根据上一轮模型的预测结果计算残差，并将残差作为下一轮模型的训练目标，逐步减小预测误差。本研究利用SPSSAU软件对欺诈检测数据进行GBDT分类建模分析，以评估该方法在欺诈识别任务中的有效性。

在SPSSAU【机器学习】模块选择【GBDT】，将变量拖拽至右侧对应分析框，操作如下图：

二、数据概览

本研究共纳入1000个样本，以换设备次数、支付失败次数、换IP次数、换IP国次数、交易金额5项指标作为自变量，以欺诈标签（0=非欺诈，1=欺诈）作为因变量进行分类建模。因变量分布如下表所示：

由表1可知，1000个样本中非欺诈样本（标签=0）为600例，占比60.00%；欺诈样本（标签=1）为400例，占比40.00%。数据无缺失值，全部纳入分析。

由表2可知，按照8:2的比例将数据划分为训练集（800个样本，占80.00%）和测试集（200个样本，占20.00%），用于模型训练与泛化能力评估。

三、特征权重分析

由表3可知，GBDT模型的特征权重分布以行为特征为主导。换设备次数的权重最高，为0.325（32.53%），对模型构建起关键作用。换IP国次数位居第二