基于Stacking集成机器学习算法的审计风险评估研究

摘要

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%。