基于机器学习的犯罪预测综述

发布时间：2021-03-26 16:40

　　随着犯罪数量不断增加,以及新型犯罪模式不断出现,准确预测未来的犯罪活动越来越重要。所以,基于机器学习的犯罪预测方法对于识别未来犯罪以及减少犯罪数量具有重要的意义。根据犯罪类型的不同,使用的犯罪预测方法也呈现多样化。为此,对国际上不同类型的犯罪预测方法进行了总结和分析,并在此基础上对如何提高犯罪预测的精度进行了讨论,希望对使用机器学习进行犯罪预测的相关工作有一定的参考意义。 

【文章来源】：科学技术与工程. 2019,19(36)北大核心

【文章页数】：7 页

【部分图文】：

间隔与支持向量[14]

KNN是一种经典的有监督学习方法，具有较好的抗噪性。如图2所示，当对测试样本进行分类时，首先在训练集中找到与该测试样本最相似的K个训练样本，然后根据这K个样本的类别进行投票确定测试样本的类别。KNN算法的3个核心问题是:针对不同的样本，如何计算样本之间的距离或相似度;如何选择K的大小才能达到最好的预测效果;当训练集样本数量较多或维度非常大时，如何更快地进行预测[14]。印度的研究人员将KNN应用于犯罪预测，有助于警方预测和发现该地区的犯罪，从而降低犯罪率[15]。1.1.3 决策树


本文编号：3101911