由于整个项目做完代码太多了就没有合并到一起（合到一起代码太长逻辑看起来没那么清晰），麻烦老师了，可以主要看前3个notebook，项目的对外的核心为前3个jupyter notebook文件，如下：
1.ExploratoryDataAnalysis(EDA).ipynb：探索性数据分析，未修改原数据，通过大量的图表进行了数据分析，为第二步特征工程做铺垫2.feature_engineering.ipynb:特征工程，包括数据预处理、构造特征、筛选特征，最后的结果写入process_data文件夹，作为第三步模型的输入，达到解耦3.models.ipynb：模型搭建、训练、预测、评估，结果可视化，包含13类模型以及集成学习的部分
剩下两个文件为辅助性的jupyter notebook文件，如下：
4.sampler_test.ipynb：解决数据不平衡时，用于测试欠采样、过采样与不处理在基模型base model上的表现5.bayies_lgbm.ipynb：其中之一的调参文件，通过贝叶斯优化进行lightGbM模型的参数调优
此外的文件夹为整个项目的完整源代码，说明如下：
- data：用于储存原始数据（提交的版本为节省大小已删除）
- procee_data: 用于储存特征工程处理后的数据，即模型最终的输入（提交的版本为节省大小已删除）
- layers: 深度学习模型复用的自定义网络层
- models:所有基于tensorflow的自定义深度学习模型
- utils:整个程序会用到的复用的功能性代码，如数据采样，网络的输入处理，评价指标，网络结构测试
- workspace：所有分类模型的实现、训练及模型评价的最终目录，包含模型融合