Crime prediction through urban metrics and statistical learning

درک علل جرم و جنایت، مساله دیرینه ای در دستور کار محققان است. در حالی که کار سختی برای استخراج علیت از داده ها است، چندین مدل خطی برای پیش بینی جرم و جنایت از طریق همبستگی های موجود بین جرم و معیارهای شهر پیشنهاد شده است. با این حال، به دلیل توزیع غیر گاوسی و چندین الگوی بودن در شاخص های شهری، مشترک است که نتیجه گیری بحث برانگیز در مورد تاثیر برخی از شاخص های شهری برای جرم و جنایت. الگوریتم های مبتنی بر مکانیسم یادگیری می توانند چنین مشکلات خوبی را حل کنند. در اینجا، از یک رگرسیون تصادفی جنگی برای پیش بینی جرم و استفاده از شاخص های شهری در قتل استفاده می شود. رویکرد ما می تواند تا 97٪ دقت در پیش بینی جرم داشته باشد و اهمیت شاخص های شهری در گروه هایی از نفوذ برابر قرار گرفته است که تحت تغییرات کمی در نمونه داده مورد تجزیه و تحلیل قرار گرفته اند. نتایج ما تعیین کننده اهمیت شاخص های شهری برای پیش بینی جرم و جنایت است و نشان می دهد که بیکاری و بیسوادی مهمترین متغیرهای توصیف قتل در شهرهای برزیل است. ما بیشتر اعتقاد داریم که رویکرد ما کمک می کند تا نتیجه گیری های محکم تر در مورد اثرات شاخص های شهری را در مورد جرم و جنایت انجام دهد و از برنامه های بالقوه برای هدایت سیاست های عمومی برای کنترل جرم کمک کند.