XGBoost结果解读：学习率与正则化参数的调优.docxVIP

XGBoost分类模型结果解读

一、方法概述

XGBoost（eXtremeGradientBoosting）是一种高效的梯度提升算法，通过迭代训练弱分类器（通常为决策树）并集成它们的预测结果来构建强大的分类模型。该算法引入了正则化项（包括L1和L2正则化）以控制模型复杂度，有效防止过拟合，同时提供了灵活的特征重要性评估机制。本研究利用SPSSAU软件对欺诈检测数据进行XGBoost分类建模分析，旨在通过用户行为特征变量预测欺诈行为，为风险识别提供科学依据。

在SPSSAU【机器学习】模块选择【XGBoost】，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，XGBoost模型的特征权重分布呈现出高度集中于行为特征的模式。换设备次数的权重最高，为0