介绍

• 开发原因

实验室传统，每年都会参加“中国软件杯软件设计大赛”；以比赛为依托，学习计算机相关技术，用比赛锻炼个人能力和团队合作能力。本项目因此而被开发。

• 大赛名称

"中国软件杯"大学生软件设计大赛

• 所选赛题

基于企业进销项发票数据的异常企业预测分析

• 项目周期

2018年02月08日---2018年09月02日，历时7个月。

开发目的

通过进销项增值税发票和纳税人信息，挖掘出其中潜在信息，预测其中存在问题的企业。

解决思路

• 项目(赛题)定位

大数据分析

• 解决方式

在大量发票数据中随机选取一定量的数据作为训练集和测试集，通过机器学习算法训练出预测模型，使用模型预测测试集数据；通过预测结果的F1-score判断模型的好坏。

流程

• 本项目第一阶段是对增值税发票数据进行特征提取；第二阶段是对企业ID及其特征属性构成的信息元来预测企业是否偷漏税，本过程想要使用已打标签的企业ID及其特征属性构成的信息元进行模型的训练，之后使用模型进行数据预测。
• 特征提取

通过进销项增值税发票数据和纳税人信息共计提取出22个特征

• 预测分析

使用随机森林算法、朴素贝叶斯算法、梯度提升数算法和神经网络算法4种算法分别训练模型并进行预测，然后将每个模型预测出的结果使用Bagging算法来获取最终预测结果。

• 项目位置

最终测试集F1-score

F1-score=95.6%

比赛提交作品完整包

链接：https://pan.baidu.com/s/1Z3rhNXn9Kf_5MBfEG1RqAA ，提取码：68th

最后

这七个月是艰苦的，从除夕开始到比赛结束，从对大数据一无所知(每个名次都百度过)到最后95%的F1-score的预测指标。七个月来的风风雨雨，感谢我的两名队友与我相伴；每天晚上一起讨论问题和汇报自己的进展，两个人争论一个问题需要另一个人的仲裁……。我们这个team，一个人主要负责搭建基础建构、技术走向和管控整个项目；一个人有着别样的想法思路，每每提出一些想法，让人耳目一新豁然开朗；另一个人巧舌如簧、能答善辩、措辞标准，在最比决赛的舞台一展风采。还有实验室导师的耐心指导。感谢你们！