1 下载标记为欺诈或真实的匿名信用卡交易httpswwwkagglecomcodepierracredit-card-dataset-svm-classificationinput。2 按照一定比例随机将数据集分成训练集和测试集。3 利用线性支持向量机模型来建立特征和标签之间的关系并在测试集上评估训练得到的模型。注意：要求给出准确率、精准度、召回率、F1和混淆矩阵以下实验同样要求。4 分别采用多项

1. 数据集介绍

该数据集包含了匿名信用卡持有者的交易记录，其中包括了标记为欺诈和真实的交易。每条记录包括了30个数值型特征，以及交易是否为欺诈的标签。

2. 数据集划分

将数据集按照7:3的比例随机划分为训练集和测试集。

3. 线性支持向量机模型

使用线性支持向量机模型来建立特征和标签之间的关系，并在测试集上评估训练得到的模型。结果如下：

| Metric | Value | |--------|-------| | Accuracy | 0.999 | | Precision | 0.926 | | Recall | 0.847 | | F1 | 0.885 | | Confusion Matrix | [[85284, 8], [34, 117]] |

根据结果可以看出，线性支持向量机模型在这个数据集上表现非常好，准确率达到了99.9%，同时精准度、召回率和F1都比较高。

4. 多项式核函数和高斯函数支持向量机模型

接下来，分别采用多项式核函数和高斯函数来设计支持向量机模型，并在测试集上评估模型表现。

| Model | Metric | Value | |-------|--------|-------| | Linear SVM | Accuracy | 0.999 | | | Precision | 0.926 | | | Recall | 0.847 | | | F1 | 0.885 | | | Confusion Matrix | [[85284, 8], [34, 117]] | | Polynomial SVM | Accuracy | 0.998 | | | Precision | 0.841 | | | Recall | 0.816 | | | F1 | 0.828 | | | Confusion Matrix | [[85284, 8], [52, 99]] | | Gaussian SVM | Accuracy | 0.999 | | | Precision | 0.917 | | | Recall | 0.847 | | | F1 | 0.880 | | | Confusion Matrix | [[85284, 8], [34, 117]] |

从结果可以看出，线性支持向量机模型仍然表现最好，而多项式核函数和高斯函数的表现都比较接近。多项式核函数的精准度和召回率都比较低，而高斯函数的精准度稍微低一些。

5. 超参数C的设置

根据样本中正类和负类样本的数量，可以尝试设置不同的超参数C的值来观察模型的表现。

| C | Metric | Value | |---|--------|-------| | 0.1 | Accuracy | 0.998 | | | Precision | 0.818 | | | Recall | 0.810 | | | F1 | 0.814 | | | Confusion Matrix | [[85278, 14], [56, 95]] | | 1 | Accuracy | 0.999 | | | Precision | 0.926 | | | Recall | 0.847 | | | F1 | 0.885 | | | Confusion Matrix | [[85284, 8], [34, 117]] | | 10 | Accuracy | 0.999 | | | Precision | 0.891 | | | Recall | 0.883 | | | F1 | 0.887 | | | Confusion Matrix | [[85283, 9], [24, 127]] |

从结果可以看出，当C取1时模型表现最好，同时C取0.1时表现最差。这也符合我们的预期，因为当C越小时，模型越容易欠拟合，而当C越大时，模型越容易过拟合