Značaj dobrovoljnog ispunjavanja poreznih obveza kroz sustav CRMS

ukazivati na potencijalne pogrješke ili prijevare. Konkretnije, nadzirani modeli općenito su prikladniji kad je poreznoj upravi cilj smanjiti intervencije bez prinosa, odnosno eliminirati lažne negativne rezultate. Na primjer, upotreba podataka o prethodnim slu čajevima prijevare i revizije omogućuje poreznim upravama shvatiti koji su atributi najviše povezani s uspješnim slučajem. Nasuprot tome, modeli bez nadzora prikladniji su za identifikaciju prethodno neotkrivenih segmenata poreznih obveznika s visokim stopama neusklađenosti. Stoga se nadziranim tehnikama učenja koristi ako se unaprijed zna na koji način naučiti stroj. Obično se zahtijeva izlaganje algoritma ogromnom skupu testnih podataka, da se kroz model dobiju podatci i da se prilagode parametri dok se ne dobiju željeni rezultati. Stroj se može testirati izradom predviđanja za ≈provjeru« skupa podataka (ili, drugim riječima, za nevidljive podatke). Uobičajeni nadzirani zadaci učenja uključuju regresiju ili klasifikaciju. Stablo odlučivanja (engl. decission tree ) je nadzirana tehnika učenja koja se primje njuje u problemima regresije i klasifikacije. Stabla klasifikacije koriste se za predviđanje klase kojoj uzorak pripada. Regresijska stabla umjesto toga koriste se kada je ishod broj. Svaki unutarnji čvor stabla test je atributa, svaka grana je ishod tog testa, a svaki termi nalni čvor sadrži oznaku klase. Metode temeljene na stablu jednostavne su i korisne za tumačenje, ali obično ne mogu proizvesti točna predviđanja. Stablo odlučivanja oslanja se na shematski dijagram u obliku stabla koje se koristi za određivanje tijeka djelovanja ili za pokazivanje statističke vjerojatnosti.

Shema 5. Primjer stabla odlučivanja Izvor: Pijnenburg, Kowalczyk i van der Hel-van Dijk (2017)

28

Porezni vjesnik 11b/2023