Abstracto

Predicción de delitos mediante big data administrativo y aprendizaje automático

Gyeongseok-oh

Es indiscutible que las técnicas de aprendizaje automático y el análisis de grandes datos se han convertido en los temas más tratados en la mayoría de las disciplinas científicas e industriales durante la última década. Al mismo tiempo, numerosos gobiernos del mundo están recopilando cantidades suficientes de datos administrativos que serán analizados mediante técnicas de aprendizaje automático para investigar las causas de los fenómenos sociales y mejorar la eficiencia de la administración pública. A pesar de que las técnicas de análisis de información y, por lo tanto, la capacidad de almacenamiento de datos han mejorado notablemente, un gran número de estudiantes en el campo de la ciencia tienen una perspectiva conservadora sobre la aplicación del aprendizaje automático y el análisis de grandes datos para explicar los fenómenos sociales. El objetivo de este estudio es llenar el vacío proporcionando evidencia empírica. Este estudio planea examinar la validez del uso de grandes datos administrativos para predecir incidentes delictivos. Se examinaron los registros de los servicios prestados a través del sistema de línea directa del alcalde 311 en Houston, Texas, y la reforma de los informes oficiales sobre delitos del departamento local de Houston para evaluar si los signos de deterioro físico y la presencia de molestias sociales predicen los incidentes delictivos a nivel de vecindario. Los resultados de este estudio corroborarán la teoría de las ventanas rotas y presentarán nuevas ventanas para explorar las causas del delito. Se desarrollarán y discutirán varias implicaciones de política para los administradores estatales y policiales. La Oficina Federal de Investigaciones (FBI) define un crimen violento como un delito que involucra fuerza o amenaza. El programa de Informes Uniformes de Delitos (UCR) del FBI clasifica estos delitos en cuatro categorías: asesinato, violación forzada, robo y asalto. El programa UCR del FBI define cada uno de los delitos de la siguiente manera: (i) Asesinato: el asesinato intencional (no negligente) de una persona por otra. El UCR no incluye las muertes causadas accidentalmente, el suicidio, la negligencia, los homicidios justificables y los intentos de asesinato o asaltos para asesinar (que se califican como asaltos agravados), durante esta clasificación de delitos. (ii) Violación forzada: la violación puede ser un ataque sexual a una mujer contra su voluntad. Aunque los intentos o asaltos para cometer una violación mediante amenazas o fuerza se consideran delitos en esta categoría, el abuso carnal (sin fuerza) y otros delitos sexuales están excluidos. (iii) Robo: tomar o intentar quitar algo útil que se encuentra bajo el cuidado, custodia o control de una persona o personas por la fuerza o amenaza de fuerza o violencia y/o poniendo a la víctima en temor. (iv) Agresión: es el ataque ilegal llevado a cabo por una persona contra otra para infligir lesiones corporales graves o agravadas. El programa UCR especifica que una agresión generalmente implica el uso de un arma u otro medio para provocar la muerte o un gran daño corporal. Los intentos de agresión agravada que implican el uso de pistolas, cuchillos y otras armas se consideran pertenecientes a la presente categoría porque si la agresión se hubiera consumado, podría haber provocado lesiones personales graves.Un delito que implica asalto y hurto-robo que ocurren juntos, el delito se considera que pertenece a la categoría de robo. Desafortunadamente, este tipo de delitos parece haberse convertido en algo común dentro de la sociedad. Los funcionarios encargados de hacer cumplir la ley han recurrido al procesamiento de datos y al aprendizaje automático para ayudar en la lucha por la prevención y el cumplimiento de la ley. Durante esta investigación, implementamos los algoritmos de regresión rectilínea, regresión aditiva y Decision Stump utilizando un conjunto finito equivalente de características, en el conjunto de datos no normalizado de comunidades y delitos para realizar un estudio comparativo entre los patrones de delitos violentos de este conjunto de datos en particular y los datos estadísticos de delitos reales para el estado de Mississippi que ha proporcionado neighborhoodscout.com. Las estadísticas sobre delincuencia utilizadas en este sitio son datos proporcionados por el FBI y se recopilaron durante el año 2013. Algunos de los datos estadísticos proporcionados por neighborhoodscout.com, como la población de Mississippi, la distribución de la población por edad, el número de delitos violentos cometidos y, por lo tanto, la tasa de estos delitos por cada 100.000 personas dentro de la población, también son características que se incorporan a los datos de prueba para realizar el análisis.