隨著犯罪數(shù)量不斷增加,以及新型犯罪模式不斷出現(xiàn),準確預測未來的犯罪活動越來越重要。所以,基于機器學習的犯罪預測方法對于識別未來犯罪以及減少犯罪數(shù)量具有重要的意義。根據(jù)犯罪類型的不同,使用的犯罪預測方法也呈現(xiàn)多樣化。為此,對國際上不同類型的犯罪預測方法進行了總結和分析,并在此基礎上對如何提高犯罪預測的精度進行了討論,希望對使用機器學習進行犯罪預測的相關工作有一定的參考意義。 

【文章來源】：科學技術與工程. 2019,19(36)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

間隔與支持向量[14]

KNN是一種經(jīng)典的有監(jiān)督學習方法，具有較好的抗噪性。如圖2所示，當對測試樣本進行分類時，首先在訓練集中找到與該測試樣本最相似的K個訓練樣本，然后根據(jù)這K個樣本的類別進行投票確定測試樣本的類別。KNN算法的3個核心問題是:針對不同的樣本，如何計算樣本之間的距離或相似度;如何選擇K的大小才能達到最好的預測效果;當訓練集樣本數(shù)量較多或維度非常大時，如何更快地進行預測[14]。印度的研究人員將KNN應用于犯罪預測，有助于警方預測和發(fā)現(xiàn)該地區(qū)的犯罪，從而降低犯罪率[15]。1.1.3 決策樹


本文編號：3101911