本次信用卡檢測欺詐案例訓練模型的大致步驟
一笔呀、數(shù)據(jù)說明
導入數(shù)據(jù)
讀取數(shù)據(jù)
由于涉及到客戶資料的隱私（交易時間、交易卡號、交易銀行代碼）夏伊，所以數(shù)據(jù)已經(jīng)經(jīng)過預處理，我們拿到上述數(shù)據(jù)中只有v1,v2....等一些匿名數(shù)據(jù)字段吻氧。直接使用即可
現(xiàn)在我們要做的是使用二分類算法（邏輯回歸）區(qū)分正常樣本和異常樣本進行區(qū)分溺忧，用0或1作為區(qū)分結(jié)果
class字段 就是作為區(qū)分的結(jié)果 （1代表異常樣本，0代表正常樣本）
amount字段 代表貸款金額? ?盯孙，上表中該字段的分布差異很大鲁森，會影響數(shù)據(jù)模型的重要程度，因此要做歸一化振惰，減小影響
二歌溉、數(shù)據(jù)處理
1.查看正常樣本與異常樣本的比例
可以看出0和1 樣本極度不均衡，因此可以使用上采樣或者下采樣
下采樣：讓兩個樣本同樣少（隨機抽取數(shù)據(jù)正常樣本數(shù)據(jù)报账，讓正常樣本和異常樣本一樣少）
過采樣：讓兩個樣本一樣多（添加異常樣本數(shù)據(jù)研底，讓異常樣本數(shù)量和正常樣本數(shù)量一樣多）
2.歸一化處理
normAmount列就是歸一化后的數(shù)據(jù)
3.下采樣處理：讓兩個樣本同樣少（隨機抽取數(shù)據(jù)正常樣本數(shù)據(jù)埠偿，讓正常樣本和異常樣本一樣少）
4.交叉驗證（訓練集數(shù)據(jù)）
4.1切分數(shù)據(jù)為訓練集和測試集
最后通過原始數(shù)據(jù)的模型，來測試下采樣過后的樣本數(shù)據(jù)集
4.2對訓練集數(shù)據(jù)做交叉驗證
數(shù)據(jù)測試集分成5份進行驗證
驗證結(jié)果
定義一個熱力圖函數(shù)榜晦，方便調(diào)用
4.3混淆矩陣冠蒋，下采樣的測試集
混淆矩陣，原數(shù)據(jù)的測試結(jié)果
發(fā)現(xiàn)多3488的數(shù)據(jù)進行錯誤篩選乾胶，混淆矩陣效果較好
在原數(shù)據(jù)中樣本錯誤率偏高抖剿，混淆矩陣效果不好
4.4 查看不同閾值之間的效果
