税收风险监控在我国税收事业的发展过程中即是重点也是难点工作。互联网、信息技术的快速发展为税收风险监控工作带来了极大的便利,良好的税收风险监控机制,不仅能减轻税务人员繁重复杂的风险排查工作,还能提高税务人员在风险应对中的应对质效。在风险应对案例抽样评价(以下简称案例评价)的风险评价工作中,面对大量已完成应对的风险案例,现有的案例评价工作机制在使用中主要存在两点不足:(1)抽样方法无法尽可能多的将有风险的案例抽取出来,造成税收的漏管问题;(2)面对税收风险监控平台(G税务局)风险识别准确,税务人员应对结论与平台识别结果一致,最后案例评价结果为满意的案例造成重复应对的问题。传统的抽样方法无法有效提高风险案例的命中率,且案例评价流程复杂,人员工作量大。本文结合案例评价中产生的相关问题,研究机器学习技术在税收风险监控平台中的使用情况。介绍了指标体系的构建和特征数据的生成,用案例评价中的评价结果和风险特征作为样本数据,通过案例评价结果满意度将样本数据分为“满意”与“不满意”两部分数据。采用相关的分类机器学习算法对样本数据建模,根据IV(Information Value)统计量筛选特征变量来提高模型的预测精度。最后,用AUC等评价指标对各个分类机器学习模型预测能力进行评价。经实验结果分析,由指标体系生成的风险特征数据,在GBDT进行特征处理后的Logistic回归算法适合案例评价数据的建模,能有效的区分风险应对案例在评价过程中的满意度。