基于Stacking集成机器学习算法的审计风险评估研究
该文提出了一种集成学习Stacking算法用于评估涉嫌欺诈公司的审计风险.采用Spearman相关系数和递归特征消除两种特征选择方法的加权,从原始的9个特征中筛选出6个最佳分类特征.利用Stacking方法集成5种异质分类器(决策树、K近邻、梯度提升树、支持向量机、神经网络),用于克服识别准确度不高且易出现过拟合的问题.结果表明,本文提出的算法比单一分类器在准确率上具有较大提升,在分类是否涉嫌欺诈公司方面准确率可以达到99.4％、精确率98.8％、召回率98.8％、F1分数99.1％、AUC值99.6％.
欺诈、审计风险、Stacking、机器学习
18
TP181(自动化基础理论)
国家级大学生创新创业训练计划项目;教育部卓越工程师教育培养计划项目产学合作协同育人项目;教育部卓越工程师教育培养计划项目产学合作协同育人项目;教育部卓越工程师教育培养计划项目产学合作协同育人项目;山东省高等学校教学研究与改革一般项目;鲁东大学专创融合课程建设项目
2022-04-18（万方平台首次上网日期，不代表论文的发表时间）
共4页
15-18
