典型文献
基于Stacking集成机器学习算法的审计风险评估研究
文献摘要：
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％.
文献关键词：
欺诈;审计风险;Stacking;机器学习
中图分类号：
作者姓名：
毛金凤;石红霞;崔新晨;蔡毓畅;宋美
作者机构：
鲁东大学数学与统计科学学院,山东烟台264000;鲁东大学物理与光电工程学院,山东烟台264000;鲁东大学信息与电气工程学院,山东烟台264000
文献出处：
引用格式：
[1]毛金凤;石红霞;崔新晨;蔡毓畅;宋美-.基于Stacking集成机器学习算法的审计风险评估研究)[J].电脑知识与技术,2022(04):15-18
A类：
B类：
Stacking,集成机器学习,机器学习算法,审计风险,评估研究,集成学习,涉嫌,欺诈,递归特征消除,特征选择,选择方法,分类特征,方法集成,分类器,决策树,近邻,梯度提升树,过拟合,精确率,召回率
AB值：
0.383487
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
