Logistic回归结果解读：优势比OR与概率预测.docxVIP

Logistic回归分类分析结果解读

Logistic回归是一种广泛应用于二分类问题的统计学习方法，其核心思想是通过Sigmoid函数将线性组合的特征映射到0到1之间的概率值，从而实现分类决策。该方法具有模型解释性强、计算效率高等优点，在医学诊断、金融风控、市场营销等领域有着广泛的应用。本研究基于SPSSAU平台对欺诈检测数据进行Logistic回归分类建模分析，以换设备次数、支付失败次数、换IP次数、换IP国次数和交易金额作为自变量，以欺诈标签作为因变量，探讨各特征对欺诈行为的预测效果。

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

一、数据基本信息

本次分析共纳入1000个有效样本，因变量为欺诈标签，取值为0（非欺诈）和1（欺诈）。其中非欺诈样本600个，占比60.00%；欺诈样本400个，占比40.00%。数据集不存在缺失值，样本分布相对均衡，适合进行Logistic回归建模分析。

从表1可以看出，全部1000个样本均有效，无缺失数据。因变量欺诈标签中，0类（非欺诈）占60%，1类（欺诈）占40%，两类样本比例约为3:2，不存在严重的类别不平衡问题，有利于模型的稳定训练。

二、特征权重分析

从表2特征权重可以看出，各特征对模型预测的贡献程度存在明显差异。换IP国次数的权重最高，达到45.32%，表明用户更换IP所属国家的