Аналіз та прогнозування злочинності за допомогою методів машинного навчання

Анотація

Актуальність. У зв’язку з розвитком галузі штучного інтелекту та збільшенням потужності комп’ютерів, з’являється інтерес щодо використання методів машинного навчання для вирішення складних для людей задач. Однією із цих задач є прогнозування злочинності, яке має великий потенціал для покращення людського життя. Завдяки алгоритмам машинного навчання, таким як дерева рішень або випадкові ліси, можна визначати тенденції розвитку злочинності, приховані закономірності та виявляти чинники злочинної діяльності.

Мета. Мета даної статті полягає в аналізі ефективності використання методів машинного навчання, таких як лінійна регресія, дерева рішень, алгоритм k-найближчих сусідів та нейронні мережі для аналізу та прогнозування злочинності.

Методи дослідження. Порівняльний аналіз, експеримент.

Результати. Проведено аналіз ефективності різних методів машинного навчання (лінійна регресія, регресія Ласо, гребнева регресія, регресія k-найближчих сусідів, дерева рішень та модель радіально-базисних нейронних мереж) для аналізу та прогнозування злочинності. Серед розглянутих методів машинного навчання найкращі характеристики показали регресія k-найближчих сусідів та модель радіально-базисних нейронних мереж.

Висновки. Проведений аналіз підтверджує необхідність здійснення довгострокового та оперативного аналізу статистичної інформації з подальшим прогнозуванням факторів та чинників, які впливають на показники злочинності, методами машинного навчання. Отримані результати можуть допомогти у вивченні проблеми аналізу впливу на злочинність соціальних, демографічних чинників, що дозволить планувати профілактичні заходи, розподіляти ресурси правоохоронних органів більш ефективно та ін.