首先觀察數據發現有一類特征浮動較大，我們對其進行歸一化預處理，使用sklearn庫中的函數

由于兩類樣本數目存在明顯差異，因此我們采用下采樣（從多的樣本中挑出和少的樣本一樣少的數目）和過采樣的方法（構造少的樣本，使之和多的樣本一樣多）

我們將所有樣本按照自定義比例分為訓練集和測試集，訓練集用于調參，測試集用于測試模型的可行性，在訓練集采用交叉驗證的方法

為防止過擬合，我們采用正則化懲罰（懲罰對象是參數）的方法，設置了幾個不同的懲罰力度觀察其效果

在評估模型時，我們引入了幾個判斷標準，召回率，精度，誤殺率，等來共同判斷模型的優劣

我們可以通過調整邏輯回歸的閾值（它的閾值我們一般采用的是0.5）來實現自己想要的效果

在進行過采樣方法時，我們使用了SMOTE算法進行少數樣本的擴倍

從結果上看，過采樣模型的效果明顯高于下采樣模型，因為過采樣模型使用了更多的樣本，模型的訓練效果更好，更具有泛化性

沒有最好的模型，適合的才是最好的。