企业官网建设流程全解析

LightGBM分类模型结果解读

一、方法概述

LightGBM（Light Gradient Boosting Machine）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。无预测集和缺失数据。

三、特征权重分析

由表3可知，特征权重反映了各自变量对LightGBM模型预测贡献的重要程度。交易金额的权重最高，为0.511（即51.10%），远超其他特征，说明交易金额是区分欺诈与非欺诈行为的最关键因素。支付失败次数的权重为0.145（14.54%），位居第二；换IP次数的权重为0.137（13.74%），位居第三。上述三项特征的权重合计达到79.39%，构成了模型判别的主要依据。换设备次数（0.104，10.36%）和换IP国次数（0.103，10.25%）的贡献相对较小，但仍具有一定的判别价值。

图1 LightGBM特征权重分布图

由图1可以直观看出，交易金额在特征权重中占据绝对主导地位，其柱形长度远超其他四个特征。支付失败次数与换IP次数的权重较为接近，形成第二梯队。换设备次数和换IP国次数的权重相对均衡，构成第三梯队。该分布特征提示，在欺诈检测场景中，交易金额是最具区分力的风险指标。

四、训练集模型评估

由表4可知，LightGBM模型在训练集上表现出极高的拟合效果。整体准确率达到99.80%，综合f1-score为0.997，接近完美分类。具体到各类别：非欺诈类（0.0）的精确率为0.996，召回率为1.000，f1-score为0.998，表明模型对非欺诈样本的识别几乎无遗漏；欺诈类（1.0）的精确率为1.000，召回率为0.994，f1-score为0.997，说明模型对欺诈样本的识别同样高度准确。训练集上的优异表现说明模型充分学习了数据中的分类模式。

五、测试集模型评估

由表5可知，LightGBM模型在测试集上的整体准确率为88.50%，综合精确率为89.53%，综合召回率为88.50%，综合f1-score为0.881。相较于训练集（准确率99.80%），测试集性能有所下降，存在一定的过拟合现象，但整体分类效果仍然可以接受。

从各类别看：非欺诈类（0.0）的精确率为0.855，召回率为0.984，f1-score为0.915，说明模型对非欺诈样本的识别能力较强，召回率高达98.4%，极少将非欺诈样本误判为欺诈。欺诈类（1.0）的精确率为0.964，召回率为0.716，f1-score为0.822。欺诈类的精确率较高（96.4%），表明模型预测为欺诈的样本中绝大多数确为欺诈；但召回率偏低（71.6%），意味着约28.4%的欺诈样本被漏判，这是实际应用中需要重点关注的问题。

六、模型参数汇总

由表6可知，本模型采用gbdt提升器类型，构建100棵学习器，学习率为0.1。树最大深度设置为-1（不限制），树最大叶子数为31，子节点最小样本数为20。样本采样率和单树采样率均为1.0，即未进行额外的随机采样。未进行数据预处理和交叉验证。模型最终在测试集上取得88.50%的准确率和0.881的f1-score。

七、结论

本研究基于SPSSAU平台，利用LightGBM算法对1000个欺诈检测样本进行分类建模分析。结果表明，交易金额是最重要的欺诈判别特征（权重51.10%），其次为支付失败次数（14.54%）和换IP次数（13.74%）。模型在测试集上的准确率为88.50%，综合f1-score为0.881，整体分类效果良好。但需要注意的是，模型对欺诈样本的召回率仅为71.6%，存在一定的漏判风险，在实际应用中可考虑通过调整分类阈值或采用过采样策略加以改善。