Python工程应用—机器学习方法与实践第13章偷税漏税行为识别分析.pptxVIP

第一章 概论西华大学机器学习第十三章 偷税漏税行为识别分析XXX学校XXX2022 目录Contents案例引入模型介绍案例操作 本章知识图谱3 案例引入一 1 案例引入5案例数据： 本案例将以汽车销售行业为例，将提供汽车销售行业纳税人的各个属性和是否偷税漏税的标识。案例目标： 结合汽车销售行业纳税人的各个属性，总结衡量纳税人的经营特征，建立偷税漏税行为的识别模型，识别偷税漏税的纳税人。 模型介绍二 2 模型介绍7 本案例将使用LM神经网络对该问题进行求解，因此先对该方法进行介绍。 LM(Levenberg-Marquardt，莱文贝格——马夸特)神经网络算法，是梯度下降法和高斯牛顿法相结合的方法，它综合了这两种算法的优点，在一定程度上克服了基本BP神经网络收敛速度慢和容易陷入局部最小点等问题。LM神经网络算法参数沿着与误差梯度相反的方向移动，使误差函数减小，直到取得极小值。设误差指标函数为：?? 2 模型介绍8???? 2 模型介绍9? 案例操作三 3.1 案例步骤 3.1 案例步骤收集某地区汽车销售行业的销售情况和纳税情况。数据集中应该提供汽车销售行业纳税人的各个属性与是否偷税漏税的标识。对数据集进行数据探索，查看是否有缺失值、异常值等。利用Step2中的探索结果，对数据进行清洗。并且随机