极端随机树结果解读：高随机化的集成分类模型.docxVIP

极端随机树分类模型结果解读

一、方法概述

极端随机树（ExtraTrees，ExtremelyRandomizedTrees）是一种集成学习方法，通过构建多棵极度随机化的决策树来提高模型的泛化能力和稳定性。与随机森林不同，极端随机树在节点分裂时不仅随机选择特征子集，还随机选择分裂点，这种额外的随机性有助于进一步降低方差、提升模型的鲁棒性。本研究利用SPSSAU软件对欺诈检测数据进行极端随机树分类建模分析，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【极端随机树】，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，极端随机树模型的特征权重分布呈现出以行为特征为主导的格局。换设备次数的权重最高，为0.260（26.00%）