在逻辑回归模型—交易数据异常检测实验中，讨论用到的两种方法，下采样和过采样，哪种更适合我们的模型？根据召回率观察

在逻辑回归模型中，下采样和过采样都是解决类别不平衡问题的方法。下采样是指从多数类中删除样本，使得多数类和少数类的样本数接近；过采样则是指从少数类中增加样本，使得多数类和少数类的样本数接近。这两种方法各有优缺点，需要根据具体情况进行选择。

在交易数据异常检测实验中，我们的目标是尽可能地检测出所有的异常交易，因此我们需要关注召回率。由于异常交易的数量相对于正常交易来说很少，因此少数类是异常交易，多数类是正常交易。因此，过采样方法更适合我们的模型。过采样可以增加少数类样本的数量，从而提高少数类样本在模型中的比重，使得模型更加关注少数类，从而提高召回率。

需要注意的是，过采样也有可能会引入噪声和过拟合问题，因此需要根据具体情况进行选择，可以考虑使用一些基于过采样的改进算法，如SMOTE算法等。