作業4-3. 請使用資料集「credit card fraud detection」建立預測分類模型；positive class = frauds。網址 https://www.kaggle.com/mlg-ulb/creditcardfraud

a. 自行選擇演算法；部分演算法需要對屬性特徵值進行正規化。

b. 建議使用AUC對演算法參數進行最佳化；其他效能指標如accuracy、TPR、FPR等均需計算顯現。

c. 因為本資料集的正負類別比例極不均衡（492 frauds out of 284807 transactions；0.172%），在切割產生train、validation、test等資料集時，可嘗試將train內部的正負類別比例調節為1:1。

程式分別使用3種方式的資料進行訓練+測試

1原資料直接訓練測試

原始資料進行訓練AUC的值還算正常，但FPR因為答案為0的資料佔絶大多數而造成效能達100%，ACC、TPR、FPR則似乎沒有參考意義

2.先用程式取出資料中正負類別相同的資料進行訓練+測試—下採樣

3.使用imblearn.over_sampling的SMOTE Function將少數的類別模擬過後，數量和多數類別筆數相同後進行訓練+測試—過採樣

程式如附件

另外下採樣和過採樣的程式處理方式可另參考

http://www.wgate.tw/sub_qa.php?mskd=&msid=K00178

的處理方式。