طبقه بندی بنگاه های متقلب: مطالعه موردی یک حسابرس خارجی

این مقاله یک مطالعه موردی از بازدید یک شرکت حسابرسی خارجی برای کشف سودمندی الگوریتم های یادگیری ماشینبرای بهبود کیفیت یک کار حسابرسی است. داده های سالانه ۷۷۷ بنگاه از ۱۴ بخش مختلف جمع آوری شده است. الگوریتمبهینه سازی ازدحام ذرات (PSO) به عنوان یک روش انتخاب ویژگی مورد استفاده قرار می گیرد. ده مدل طبقه بندیپیشرفته از نظر دقت ، سرعت، خطا ، حساسیت ، ویژگی ، معیار F ، ضریب همبستگی متیو (MCC)، خطای نوع I ، خطاینوع II ، خطای نوع II و منطقه زیر منحنی (AUC) مقایسه می شوند. با استفاده از روش های تصمیم گیری چند معیاره مانندوزن گیری افزودنی ساده (SAW) و تکنیک سفارش ترجیح بر اساس شباهت به راه حل ایده آل (TOPSIS) رسیده است.نتایج Bayes Net و J۴۸ صحت ۹۳ ٪ برای طبقه بندی مشکوک شرکت را نشان می دهد. با ظهور رشد شگرف پرونده هایکلاهبرداری مالی ، یادگیری ماشین نقش بزرگی در بهبود کیفیت یک کار حسابرسی در آینده خواهد داشت.