4. 机器学习基础
在审计规则与机器学习融合的实践中，规则负责处理确定性高、逻辑清晰的判断，而机器学习则用于发现规则难以覆盖的隐性模式。理解监督、无监督与半监督学习的差异，是选择合适算法的前提。本节从审计场景出发，梳理三类学习范式的核心原理、常见算法及选择原则。
一、核心原理：三类学习范式的本质差异
机器学习的分类依据是训练数据是否带有标签。标签即我们希望的预测目标，例如“该笔凭证是否为异常”“该供应商是否属于高风险”。
- 监督学习：训练数据同时包含特征和标签，模型学习从特征到标签的映射关系。适用于已知异常样本充足、需要明确分类或回归预测的场景。
- 无监督学习：训练数据只有特征、没有标签，模型自行发现数据结构、聚集模式或离群点。适用于异常样本稀少、甚至未知异常形态的探索性审计。
- 半监督学习：训练数据中少量有标签、大量无标签，模型利用无标签数据辅助提升泛化能力。适用于标注成本高、但未标注数据易获取的审计场景。
审计中的典型映射：监督学习对应“已知舞弊模式识别”，无监督学习对应“异常交易探索”，半监督学习对应“少量已确认违规+大量未标注凭证”的风险筛查。
二、常见算法分类与审计适用性
不同学习范式下有一批成熟算法，审计人员不必深究数学推导，但需理解其输出形态与适用边界。
| 学习范式 | 常见算法 | 输出形态 | 审计典型场景 |
|---|---|---|---|
| 监督学习 | 逻辑回归、决策树、随机森林、XGBoost、支持向量机 | 类别标签或连续值 | 舞弊凭证分类、供应商风险评级、费用预测 |
| 无监督学习 | K-Means、DBSCAN、孤立森林、自编码器、PCA | 簇编号、离群分数、降维坐标 | 异常交易发现、科目聚类、资金流向探索 |
| 半监督学习 | 自训练、协同训练、标签传播、半监督SVM | 扩展后的类别标签 | 少量确认违规样本下的全量凭证筛查 |
需要强调的是，同一算法可服务于不同范式。例如决策树在监督学习中用于分类，在无监督场景中可通过孤立森林思想改造为异常检测器。选择时应先明确问题类型，再匹配算法。
三、方法流程：从审计问题到算法落地
将机器学习引入审计，不是直接套用算法，而是遵循一条可解释、可复核的流程。
- 定义审计目标：明确是“识别已知违规”还是“发现未知异常”，这直接决定学习范式。
- 数据准备与特征工程：从凭证、科目、供应商、时间等维度构造特征，如金额偏离度、频率突变、关联方标记。
- 标签评估：统计已确认违规样本数量。若充足则走监督学习；若极少或没有，则考虑无监督或半监督。
- 算法选择与训练：根据数据规模、可解释性要求、计算资源选择算法，并进行交叉验证。
- 结果解释与规则融合：将模型输出的异常分数与审计规则结合，形成可追溯的审计线索。
- 复核与迭代：由审计人员复核模型标记结果，反馈修正特征与阈值。
# 审计异常检测伪代码示例（无监督孤立森林）
from sklearn.ensemble import IsolationForest
features = load_audit_features(["amount_deviation", "frequency", "related_party"])
model = IsolationForest(n_estimators=200, contamination=0.02, random_state=42)
model.fit(features)
scores = model.decision_function(features)
flags = model.predict(features) # -1 表示异常
audit_leads = features[flags == -1]
上述代码中，contamination=0.02 表示预期异常比例约2%，该参数应结合审计经验设定，而非机械采用默认值。
四、选择原则与常见误区
选择原则：有标签且样本均衡优先监督学习；无标签或异常稀少优先无监督学习；标签极少但未标注数据丰富优先半监督学习。同时兼顾可解释性——审计场景往往要求模型结论可被复核和解释。
- 误区一：盲目追求复杂模型。在审计中，逻辑回归或决策树的可解释性常比深度模型更重要。
- 误区二：把无监督结果直接当作结论。无监督输出的是“可疑线索”，必须经审计人员复核。
- 误区三：忽视标签质量。监督学习中，错误标签会直接导致模型学到错误模式。
- 误区四：忽略数据泄漏。特征中若包含未来信息或标签衍生信息，模型评估会虚高。
复盘要点：每次模型上线后，应记录误报与漏报案例，分析是特征不足、范式选错还是阈值不当。审计机器学习不是一次建模，而是持续校准的过程。
综上，监督、无监督与半监督学习并非互斥，而是审计风险识别的三种互补视角。实际项目中，常先用无监督探索异常分布，再结合少量标签构建半监督或监督模型，最终与审计规则共同形成分层防控体系。选择算法的核心，始终是审计目标、数据条件与可解释性三者的平衡。