CatBoost分类模型结果解读
一、方法概述
CatBoost（Categorical Boosting）是一种基于梯度提升决策树的机器学习算法，由Yandex公司开发。该算法在处理分类特征和序列数据方面具有显著优势，能够有效减少参数调优的工作量，并通过对称决策树结构降低过拟合风险。本研究利用SPSSAU软件对欺诈检测数据进行CatBoost分类建模分析，旨在通过用户行为特征变量预测欺诈行为，为金融风控提供科学依据。
在SPSSAU【机器学习】模块选择【CatBoost】，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20.000%），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，CatBoost模型的特征权重分布相较于LightGBM更为均衡。换设备次数的权重最高，为0.234（23.36%），对模型构建起关键作用。支付失败次数与换IP国次数并列第二，权重均为0.208（20.77%）。交易金额的权重为0.187（18.70%），换IP次数的权重为0.164（16.40%）。五项特征的权重分布相对均匀，最高与最低之间差距仅为6.96个百分点，表明CatBoost模型对多维度行为特征均给予了较为均衡的重视。
图1 CatBoost特征权重分布图
由图1可知，CatBoost的特征权重分布呈现较为平缓的梯度格局。换设备次数以23.36%的权重位居首位，支付失败次数与换IP国次数权重相同（均为20.77%），交易金额和换IP次数紧随其后。与LightGBM中交易金额一家独大的局面不同，CatBoost更强调设备更换、IP变更等行为维度特征的综合判别作用。
四、训练集模型评估
由表4可知，CatBoost模型在训练集上达到了完美分类效果：整体准确率、精确率、召回率和f1-score均为1.000。非欺诈类和欺诈类的各项指标均达到满分，表明模型在训练数据上实现了完全拟合。
五、测试集模型评估
由表5可知，CatBoost模型在测试集上的整体准确率为89.00%，综合精确率为89.93%，综合召回率为89.00%，综合f1-score为0.886。相较于训练集的完美表现，测试集性能有所下降，存在一定过拟合，但整体分类效果良好。
从各类别看：非欺诈类（0.0）的精确率为0.861，召回率为0.984，f1-score为0.919，召回率高达98.4%，表明模型对非欺诈样本的覆盖能力极强。欺诈类（1.0）的精确率为0.964，召回率为0.730，f1-score为0.831。欺诈类精确率较高（96.4%），说明模型判定为欺诈的可靠性较强；但召回率为73.0%，仍有约27%的欺诈样本未能被识别。
六、模型参数汇总
由表6可知，CatBoost模型采用Auto损失函数，迭代次数设置为500次，学习率为0.1，树最大深度为6。L2正则化系数为3.0，特征子集比例为1.0。模型在测试集上取得89.00%的准确率和0.886的f1-score。
七、结论
本研究基于SPSSAU平台，利用CatBoost算法对1000个欺诈检测样本进行分类建模分析。结果显示，CatBoost模型对五项行为特征的权重分配较为均衡，换设备次数（23.36%）、支付失败次数（20.77%）和换IP国次数（20.77%）是前三位重要特征。模型在测试集上的准确率为89.00%，综合f1-score为0.886，整体分类效果良好。与LightGBM相比，CatBoost在特征利用的均衡性方面表现更优，但欺诈样本的召回率（73.0%）仍有提升空间。