Sampling Audit Evidence Using a Naive Bayes Classifier

这项研究旨在通过将机器学习与抽样技术相结合来改进审计抽样技术，以解决台湾审计人员在处理过多审计数据时的问题，包括审计证据的绘制。这种机器学习集成有助于避免抽样偏差，保持随机性和变异性，并针对风险更高的样本。首先，我们使用朴素贝叶斯分类器将数据分类为几类。接下来，采用基于用户、基于项目或混合方法来绘制审计证据。代表性指数是衡量其代表性的主要指标。基于用户的方法对称地抽样数据，围绕类别中位数作为审计证据。它可能相当于货币和变量抽样的组合。基于项目的方法基于后验概率表示不对称抽样，以获得风险样本作为审计证据。它可能与非统计和货币抽样的组合相同。审计人员可以将这些基于用户和基于项目的方法混合使用，以平衡代表性和风险性来选择审计证据。三项实验表明，使用机器学习集成进行抽样具有绘制无偏样本、处理复杂模式、相关性和非结构化数据以及提高大数据抽样效率的好处。然而，其局限性在于机器学习算法输出的分类准确性和先验概率范围。

如何通过机器学习集成采样技术来解决审计员处理过多审计数据的问题？

该论文提出了一种采用朴素贝叶斯分类器将数据分类后，采用基于用户、基于项目或混合方法来绘制审计证据的方法，并使用代表性指数来衡量其代表性。审计员可以混合这些方法来平衡代表性和风险性以选择审计证据。

论文的方法可以绘制无偏样本、处理复杂模式、相关性和非结构化数据，并提高大数据采样的效率。论文的实验结果表明了这种方法的优点。

最近的相关研究包括基于机器学习的采样技术、审计数据分析和审计证据的选择等。相关论文包括“基于深度学习的审计数据分析”和“审计证据选择的深度学习方法”。