1.基于机器学习的审批工作流数据智能筛查方法，其特征在于，包括：
2.如权利要求1所述的基于机器学习的审批工作流数据智能筛查方法，其特征在于，所述s20进一步包括：
3.如权利要求2所述的基于机器学习的审批工作流数据智能筛查方法，其特征在于，所述s210进一步包括：
4.如权利要求2所述的基于机器学习的审批工作流数据智能筛查方法，其特征在于，所述s220进一步包括：
5.如权利要求1所述的基于机器学习的审批工作流数据智能筛查方法，其特征在于，所述s40进一步包括s410，基于表征预设邻域ε()内样本数量的权重系数、任意两个样本之间的平均余弦距离以及任意样本之间最大余弦距离获取核心对象在所述预设邻域ε()内的样本密集程度，其中，所述权重系数为所述核心对象预设邻域ε()内的样本所占的面积与所述核心对象预设邻域ε()的整体面积的比值。
6.如权利要求1所述的基于机器学习的审批工作流数据智能筛查方法，其特征在于，所述s40进一步包括s420，基于各样本到核心对象的余弦距离、样本到核心对象的余弦距离的标准差、倾向系数获取核心对象分布倾向特征程度，所述倾向系数为所述核心对象的预设邻域ε(eps)内的一半面积范围内样本所占的面积与所述核心对象预设邻域ε(eps)内的一半面积的比值。
7.如权利要求1所述的基于机器学习的审批工作流数据智能筛查方法，其特征在于，所述s40进一步包括s430：通过八邻域各方向上的相邻样本的周期权重和周期表现来确定各方向上的周期性分布程度，对各方向上的周期性分布程度筛选最大值，从而获取核心对象的样本周期性分布程度，所述相邻样本的周期权重为相邻样本的余弦距离差异以及两所述相邻样本与样本平均距离的差异确定的；
8.如权利要求1所述的基于机器学习的审批工作流数据智能筛查方法，其特征在于，所述基于所述密度分布表现获取核心对象的扩展判断值，进一步包括：
9.如权利要求6所述的基于机器学习的审批工作流数据智能筛查方法，其特征在于，所述根据所述扩展判断值与判断值阈值的大小适应性调整所述预设邻域ε(eps)，得到调整后的预设邻域，包括：
10.基于机器学习的审批工作流数据智能筛查系统，其特征在于，包括：