《会计数据挖掘》课程实践性环节有助于学生理解、巩固和应用会计数据挖掘基础理论，培养学生的实践技能、独立工作能力和科学研究方法。其实践性环节的考核，是指对学生的课程实践项目掌握程度及实践操作水平的考核。

一、实践目的

帮助学生更深刻地领会会计数据挖掘理论与方法；指导学生获取会计领域相关数据，利用机器学习方法和技术对会计数据进行处理与分析，根据分析结果编写数据分析报告；使学生在学习和工作中能运用机器学习方法进行会计舞弊甄别、企业经营前景预测、财务风险评估及决策支持，解决会计实际问题。

二、实践项目

项目一：R语言基础操作与数据预处理

1.基于dplyr包和tidyr包进行会计数据预处理。

2.基于ggplot2绘图包完成数据可视化和探索性数据分析。

3.基于purrr包进行函数式编程。

项目二：基于KNN掌握机器学习的基本思想和步骤。

1.从公开数据源获取上市公司财务数据。

2.对信息披露违法违规行为进行基本统计分析。

3.分析信息披露违法违规与各指标变量的关系图。

4.综合使用机器学习任务和学习器训练模型。

5.手动划分训练集和预测集和用交叉验证划分训练集和预测集。

项目三：基于线性判别分析评估企业出现财务困境的风险。

1. 收集企业的历史财务报表数据，筛选与财务风险强相关的指标，并标注财务困境类别标签。

2. 采用交叉验证划分训练集和预测集以防止过拟合，尤其是小样本会计数据。

3. 通过线性判别函数确定阈值，区分财务困境与非财务困境企业。

项目四：基于SVM算法进行审计风险预测。

1. 从数据库中提取审计风险相关的结构化数据，并补充非财务指标，根据审计结果标记风险等级。

2. 进行超参数调节实践，选择性能最优的超参数。

3. 用最优超参数在完整数据集上拟合SVM。

项目五：使用决策树识别财务报表中的异常数据或舞弊行为。

1.以财务指标和非财务指标为输入变量构建特征集，以舞弊和非舞弊为分类标签。

2.定义分类树的任务和学习器，使用训练后的模型进行预测。

3.绘出回归树的图形表示。

三、实践的基本要求

1.学生应能够将实际的会计问题（如财务指标异常波动、关联方交易比例过高等）转化为数据分析问题，利用数据挖掘和机器学习方法来分析数据，解决实际问题；

2.学生应熟悉R语言编程环境，掌握基本的会计数据分析方法，常见的语言包（如dplyr包、tidyr包和ggplot2包）进行数据处理与可视化，并能够对分析结果进行合理解释，撰写简单的分析报告。

四、必读参考书目

统计学习导论:基于R应用（原书第2版）/(美)加雷斯·詹姆斯 ( Gareth James ) [等]著，王星等译，机械工业出版社，2024年第1版。

五、考核目标、内容、方法

（一）考核目标：

考核成绩将反映学生在会计数据挖掘课程中的基本掌握程度，特别是数据处理、可视化和机器学习的能力。通过实践项目，学生能够运用R语言分析会计数据，理解数据背后的规律，能够进行简单的预测与报告撰写。

（二）考核内容：

1. R语言与数据预处理

a) 导入数据到R，掌握R语言数据分析常用函数，掌握数据清洗、变换变量、生成变量和降维。

b) 掌握添加包ggplot2。

c) 简单可视化：使用ggplot2展示会计数据的潜在逻辑关系。

2. 掌握监督学习的分类方法

a) K近邻分类、判别分析与贝叶斯准则。

b) 支持向量机（SVM）算法、超参数调节、决策树与集成方法。

3. 掌握机器学习的典型步骤

a) 定义任务名称、数据、目标变量；定义算法类别、具体算法、选项；综合使用任务和学习器；预测；评估。

b) 熟练调参实践；熟练构造调参问题；掌握嵌套再抽样。

4. 报告撰写与结果解释

a)报告撰写：通过布置实验任务，要求学生完成相关的主题分析并设计、实现数据挖掘方案。根据数据分析结果，写出简短的报告，解释分析过程和结论，使用图表支持报告内容。

（三）考核方法：

考核采取上机操作方式，学生根据给定的数据和要求，利用R语言进行操作，得出分析结果。最后教师阅卷得出学生的成绩。