LightGBM结果解读：直方图算法与叶生长策略.docxVIP

LightGBM分类模型结果解读

一、方法概述

LightGBM（LightGradientBoostingMachine）是一种基于梯度提升决策树的高效机器学习算法，由微软研究院提出。该算法通过直方图算法、带深度限制的叶子生长策略等优化策略，显著提升了训练速度和内存效率，特别适用于大规模数据和高维特征的学习任务。本研究利用SPSSAU软件对欺诈检测数据进行LightGBM分类建模分析，旨在通过用户行为特征变量预测欺诈行为的发生，为风险识别提供量化依据。

在SPSSAU【机器学习】模块选择【LightGBM】，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。样本中非欺诈与欺诈的比例约为3:2，存在一定的类别不平衡现象，但尚未达到极端失衡的程度。

由表2可知，按照8:2的比例将数据划分为训练集和测试集。训练集包含800个样本（占80.00%），用于模型训练；测试集包含200个样本（占20.00%），用于评估模型的泛化能力。无预