Ws 004 Ok

22/09/2023, 17:20 Método aprimorado de algoritmos de classificação para previsão de crimes | Publicação da Conferência IEEE | Explorar IEEE
Manutenção programada: Na sexta-feira, 22 de setembro, o IEEE Xplore passará por manutenção programada das 14h às 16h ET (18h às 20h 
UTC). O site estará indisponível durante esse período. Pedimos desculpas por qualquer inconveniente.
IEEE.org Explorar IEEE IEEE SA Espectro IEEE Mais sites Carrinho Criar Login
  uma pessoal
conta
Acesso fornecido por: Sair
 Navegar Minhas configurações Ajuda UNIVERSIDADE FEDERAL

DE SANTA CATARINA
Acesso fornecido por: Sair

UNIVERSIDADE FEDERAL
DE SANTA CATARINA
Todos  
BUSCA AVANÇADA
Conferências > Simpósio Internacional 2014 ... 
Método aprimorado de algoritmos de classificação para previsão de crimes

Editora: IEEE Cite isto  PDF
Aba Babakura ; MD Nasir Sulaiman ; Mahmud A. Yusuf Todos os autores 
    
26 1078
Completo
Citações em
Visualizações de Alertas
Papéis
texto
Gerenciar alertas de conteúdo
Adicionar aos alertas de citação
Abstrato 
baixar
Seções do documento PDF
EU. Introdução
Abstract:The growing availability of information technologies has enabled law enforcement agencies to collect detailed
II. Trabalho relatado data about various crimes. Classification is the procedure o... View more
III. Marco Metodológico

 Metadata
4. Resultados do Abstrato:
Experimento, Análise e A crescente disponibilidade de tecnologias de informação permitiu às agências responsáveis pela aplicação da lei
Avaliação de recolher dados detalhados sobre vários crimes. Classificação é o procedimento de encontrar um modelo (ou função) que
Desempenho
descreva e distinga classes ou noções de dados, com o objetivo final de ter a capacidade de utilizar o modelo para prever
V. Conclusão e trabalho os rótulos de crime. Nesta pesquisa, a classificação é aplicada ao conjunto de dados criminais para prever a “categoria
futuro criminal” para diversos estados dos Estados Unidos da América (EUA). O conjunto de dados sobre criminalidade utilizado
nesta pesquisa é de natureza real e foi recolhido a partir de dados socioeconómicos do censo dos EUA de 1990. Dados
de aplicação da lei da pesquisa LEMAS dos EUA de 1990 e do UCR do FBI de 1995. Este artigo compara dois algoritmos
Autores
de classificação diferentes, nomeadamente - Naïve Bayesian e Back Propagation (BP) para prever “Categoria de Crime”
para estados distintos nos EUA. O resultado da análise demonstrou que o cálculo Naïve Bayesiano superou o cálculo da
Figuras
PA e atingiu a precisão de 90,2207% para o grupo 1 e 94,0822% para o grupo 2. Isso indica claramente que o cálculo
Referências Naïve Bayesiano apoia a previsão em diversos estados dos EUA.
Citações Publicado em: Simpósio Internacional de Biometria e Tecnologias de Segurança 2014 (ISBAST)
Palavras-chave Data da Conferência: 26 a 27 de agosto de 2014 Número de acesso INSPEC: 14855371
Métricas Data adicionada ao IEEE Xplore : 19 de janeiro de 2015 DOI: 10.1109/ISBAST.2014.7013130
 Informações ISBN: Editora: IEEE

Mais como isso
Local da Conferência: Kuala Lumpur, Malásia
https://ieeexplore-ieee-org.ez46.periodicos.capes.gov.br/document/7013130/references#references 1/12
References is not available for this document.
Contents
SEÇÃO I.
Introdução

Criminologistas e estatísticos têm utilizado suas habilidades e conhecimentos na tentativa de

analisar esses dados, com diversos graus de sucesso. Porém, o volume da criminalidade e a maior
conscientização dos criminosos modernos têm dificultado o processo de análise dos dados criminais,
pois o raciocínio humano falha quando lhe são apresentados milhões de registros. Portanto, há uma
necessidade de uma técnica para auxiliar na análise dos dados criminais. Técnicas de mineração de
dados podem ser aplicadas para facilitar esta tarefa [17] .
A mineração de dados atraiu, portanto, uma incrível consideração na indústria da informação e na

sociedade como um todo, devido à ampla acessibilidade de uma enorme quantidade de dados e à
necessidade iminente de transformar esses dados em informação e conhecimento úteis.
Posteriormente, o objetivo da mineração de dados é extrair ou minerar conhecimento de uma
grande quantidade de dados [8] . A Figura 1 abaixo mostra o processo de mineração de dados.
Conforme ilustrado na Figura 1, descreve claramente as etapas a serem seguidas para alcançar a
representação do conhecimento requerido. É um procedimento de baixo para cima; o primeiro
estágio é o estágio do banco de dados. Aqui, o banco de dados atua como um armazém onde
residem os dados brutos. No segundo estágio, denominado estágio de seleção de dados, os dados de
destino são selecionados, o que leva à seleção dos atributos ou recursos necessários. Quando os
dados alvo são obtidos, dá-se passagem à etapa de limpeza e processamento. Nesta etapa os dados
são processados para remover valores ruidosos, faltantes ou dados incompletos. É denominado
como os dados processados quando passa por esta fase. A etapa de análise de dados utiliza as tarefas
de mineração de dados, algoritmos de forma mais adequada para obter padrões reais. Esta etapa é o
ponto mais importante, pois leva ao padrão resultante necessário, ou seja, a previsão de crimes
futuros. Finalmente, a última fase de interpretação e avaliação descreve ou interpreta o padrão real
em conhecimento que é exigido pelo mundo exterior.

Figura 1:
Processo de mineração de dados
A mineração de dados possui inúmeras técnicas, mas uma das técnicas mais utilizadas e
importantes é a Classificação. A classificação é uma técnica de predição de classe supervisionada
que permite a predição de rótulos de classe que são nominais em vez de numéricos [2] . a
classificação como uma técnica produziu sucesso em vários domínios que incorporam segurança
interna, cuidados de saúde, previsão do tempo, medicina, finanças, inteligência de negócios [3] ,
[4]. O foco principal desta pesquisa é a aplicação de diferentes tipos de algoritmos de classificação
sobre dados reais e avalia a precisão do resultado obtido na previsão do rótulo do crime. O crime é
uma situação em constante evolução. Alguns dos aspectos mais significativos a serem levados em
consideração são idade, economia e assim por diante. O desenvolvimento do crime numa sociedade
depende das características relacionadas com a comunidade ou sociedade. Estas características
podem incorporar - raças distintas numa sociedade, diferentes grupos de rendimentos, diferentes
faixas etárias, estrutura familiar (solteiro, divorciado, casado, número de filhos), nível de educação,
localidade onde os indivíduos vivem (habitação barata ou cara, tamanho da casas, número de
cômodos), número de policiais distribuídos em uma localidade, número de empregados e
desempregados e assim por diante.
Nesta pesquisa, um conjunto real de dados sobre crimes é adquirido para realizar a mineração de
dados [5] . Os atributos deste conjunto de dados são as características relacionadas com uma
comunidade ou sociedade, algumas das quais foram destacadas anteriormente. Os dois algoritmos
de classificação distintos que são utilizados para realizar a classificação no conjunto de dados são:
Naive Bayesian (classificador ingênuo bayes) e Back Propagation (BP). Por investigação, os
resultados de ambos os algoritmos serão comparados e examinados, e o algoritmo mais eficiente na
previsão do tipo de classe alvo (rótulo de classe) será reconhecido. Existem inúmeras ferramentas
acessíveis para mineração de dados, como WEKA, Mat Lab e Rapid Miner etc. Para esta pesquisa é
utilizado WEKA, uma ferramenta de código aberto escrita em JAVA [6]. A estrutura deste artigo é
a seguinte: A Seção 2 descreve o trabalho relacionado. A Seção 3 apresenta o quadro metodológico.
A Seção 4 discute os resultados experimentais dos algoritmos de classificação para predição do
atributo 'class label', em diversos estados dos EUA. Por fim, a Seção 5 contém conclusões e
trabalhos futuros.
SEÇÃO II.
Trabalho relatado
A mineração de dados é uma ferramenta poderosa que permite às agências de aplicação da lei
descobrir padrões e prever crimes futuros. Tem havido inúmeras pesquisas sobre a aplicação de
técnicas de mineração de dados a dados criminais. A necessidade de garantir a segurança nos
diversos estados dos EUA pode ser vista sob diversas perspectivas. Muitas literaturas sobre pesquisas
de previsão do crime destacaram a importância da segurança no meio ambiente. Um trabalho
significativo sobre previsão de crimes foi enfatizado por Aziz et al., apontando o uso de modelo de
classificação baseado em árvore de decisão para previsão de crimes [12] . O modelo proposto ajuda
as agências de aplicação da lei a descobrir padrões de criminalidade e a prever tendências futuras.
Outro trabalho significativo sobre previsão de crimes foi enfatizado por Rizwan et al., no estudo
experimental de algoritmos de classificação para previsão de crimes [13] . Neste trabalho, eles
apontaram a importância de prever a criminalidade em um único grupo. Destacou também a
comparação de dois algoritmos a saber: árvore de decisão e Naive Bayes para classificação.
Chen et al. [14] , categorizou diferentes tipos de crimes e propôs algumas técnicas para extrair
dados criminais, como extração de entidades e mineração de regras de associação [14] . Eles
também desenvolveram uma estrutura que identifica as relações entre os tipos de crimes e as
técnicas de mineração de dados aplicadas na análise de dados criminais. A estrutura desenvolvida
ajuda os investigadores a encontrar associações e identificar padrões para fazer previsões.
Eles implementaram alguns estudos de caso e mostraram que a estrutura desenvolvida pode ajudar
a aumentar a eficiência e reduzir erros. Liu et al., [15] propuseram um mecanismo de busca STT
(espaço-temporal-textual) para extrair, indexar, consultar e visualizar informações sobre crimes.
Eles atribuem pontuações a cada um dos fatores de dados (espaciais, temporais e textuais) e usam a
pontuação para classificar os dados. Esta ferramenta ajuda na detecção de crimes para
investigadores, na identificação de tendências e padrões de crime para tomadores de decisão e
pesquisadores e na segurança da vida na cidade para residentes e jornalistas. Xá e outros,
[16]propôs o CROWDSAFE, uma nova convergência de crowdsourcing na Internet e dispositivos
inteligentes portáteis para permitir pesquisas e relatórios de incidentes criminais em tempo real e
baseados em localização. É direcionado a usuários interessados em informações sobre crimes. O
sistema aproveita dados de crowdsourcing para fornecer recursos inovadores, como um roteador de
segurança e análises criminais de valor agregado. Além da demonstração de pontos de acesso, o
CROWDSAGE também fornece clusters de crimes e estatísticas históricas de crimes aos usuários
em uma interface de painel. A abordagem metodológica será discutida na próxima seção abaixo.
SEÇÃO III.
Marco Metodológico
A. Discussão Preliminar e Preparação do Experimento
Classificação é o processo de encontrar um modelo (ou função) que descreva e distinga classes ou
conceitos de dados, com o propósito de poder usar o modelo para prever a classe de objetos cujo
rótulo de classe é desconhecido [6 ]. O modelo derivado é baseado na análise de um conjunto de
dados de treinamento (isto é, objetos de dados cujo rótulo de classe é desconhecido). Existem muitos
métodos para construir modelos de classificação, como Rede Neural Artificial, Árvore de Decisão
(que é uma estrutura de árvore semelhante a um fluxograma), Classificação Bayesiana Naive,
Máquinas de Vetores de Suporte (SVM), k-Vizinhos Mais Próximos, votação ponderada. Todas essas
técnicas podem ser aplicadas a um conjunto de dados para descobrir um conjunto de modelos para
prever o rótulo da classe desconhecida. Ao tratar da classificação, entra em jogo a fase de
treinamento e teste, ou seja, o conjunto de dados é dividido em duas fases, a saber, fase de
treinamento (dependente) e fase de teste (independente). O algoritmo de mineração de dados é
executado originalmente no conjunto de treinamento e, posteriormente, o modelo de previsão é
aplicado no conjunto de teste [2] , [7] .
Este conjunto de dados manifesta diferentes grupos, cada um com determinados atributos
associados a ele. Todos esses grupos possuem diferentes fatores sociais e econômicos relacionados a
qualquer comunidade. Depois de estudar e realizar algumas análises, três grupos distintos foram
escolhidos neste conjunto de dados. Esses três grupos estão relacionados à raça, educação e estado
civil em uma comunidade. Para cada grupo escolhido alguns atributos importantes são
selecionados. Existem diferentes métodos para seleção de atributos ou recursos. Para este
experimento, os atributos são selecionados usando o método manual [8]baseado na percepção e no
intelecto humano. É sensato, especialmente quando se trata de um grande número de atributos. No
caso da escolha dos atributos de interesse, nota-se que são levados em consideração apenas os
atributos que não possuem valores faltantes. Rede neural artificial e classificador Bayesiano Naive
são usados para realizar a classificação. Durante a primeira fase do experimento, o modelo é
construído no conjunto de treinamento com rótulo de classe conhecido e na segunda fase do
experimento, o modelo proposto é aplicado para prever os rótulos de classe no conjunto de teste.
Mostrar a robustez e desempenho dos modelos desenvolvidos, após a realização do experimento
utilizando os algoritmos de classificação acima mencionados; são avaliadas a exatidão, precisão e
recall dos algoritmos, para previsão do atributo 'Gato'.
B. Coleta de conjuntos de dados criminais

O conjunto de dados usado para realizar este experimento é real e autêntico. Ele é obtido no site do
repositório de aprendizado de máquina UCI. O rótulo do conjunto de dados é “Crime e
Comunidades”. É estruturado utilizando dados reais provenientes de dados socioeconómicos do
Censo dos EUA de 1990, dados de aplicação da lei do inquérito LEMAS dos EUA de 1990 e dados
criminais do bUCR do FBI de 1995 [5 ] . Este conjunto de dados contém um número total de 128
atributos e cerca de 2.000 instâncias e todos os dados fornecidos neste conjunto de dados são
numéricos e normalizados. Os dados em cada instância pertencem a diferentes estados dos EUA. Os
estados são representados na forma de números, cada número representando seu respectivo estado
nos EUA [9] . Os detalhes completos de todos os 128 atributos podem ser obtidos no site do
repositório de aprendizado de máquina UCI [5] . O primeiro grupo representa a raça à qual o povo
está classificado. No grupo race existem quatro atributos com seus respectivos tipos de dados. O
segundo grupo representa o estado civil de diversas pessoas, possuindo também quatro atributos
com seus respectivos tipos de dados. Para cada grupo são incluídos os atributos Estado, População e
ViolentCrimePerPop para obter o melhor resultado em relação aos diversos grupos. Os dois
algoritmos de classificação foram aplicados nos dois grupos diferentes e os resultados obtidos são
analisados.
C. Pré-processamento do conjunto de dados criminais

O pré-processamento de dados desempenha um papel importante no processo de descoberta de
conhecimento, pois dá origem ao desenvolvimento de dados eficientes e de qualidade antes que
algoritmos de mineração de dados sejam aplicados a eles. O conjunto de dados usado para o
experimento consiste em cerca de 2.000 instâncias, que também contêm alguns valores ausentes.
Para obter resultados ótimos, dados de qualidade devem ser obtidos. Portanto, entra em jogo a
necessidade de pré-processamento de dados. Algumas das poucas técnicas na prática empregadas
para fins de pré-processamento de dados são limpeza de dados, integração de dados, transformação
e redução de dados [2] , [4]. Antes da aplicação do algoritmo de classificação, geralmente algum
pré-processamento é realizado no conjunto de dados. Aqui neste experimento o primeiro passo é
realizar a redução de dados. Nesta etapa são selecionados os atributos mais informativos de um
conjunto de dados, tentando não perder nenhuma informação importante. Existem diferentes
métodos disponíveis para seleção de atributos ou características [8] . Para este experimento, o
método manual foi escolhido para seleção de atributos [8]baseado na compreensão e no intelecto
humanos. Aqui neste experimento, os três atributos (estado, população e Crime Violento por
População) são adicionados a ambos os grupos antes da classificação ser realizada. É prático,
principalmente quando se trata de um grande número de atributos. Observou-se também que
apenas são escolhidos os atributos que não contêm valores faltantes. Na segunda etapa, para
realizar a previsão, um novo atributo é adicionado denominado 'Gato'. Os valores do atributo
'Crimes Violentos por População', que representa o número total de crimes violentos por 100 mil
habitantes, constituem a referência na qual o atributo adicionado se baseia. A justificativa por trás
da adição deste novo atributo é que, para realizar a previsão, o atributo classe (Cat) deve ser de
natureza nominal. Neste conjunto de dados original, todos os valores são numéricos, portanto é
necessário fornecer uma classe nominal para permitir a previsão. Conforme afirmado
anteriormente, este atributo baseia-se nos valores dos dados em 'Crimes Violentos por População'.
Esta dependência também mantém a integridade do conjunto de dados. O novo atributo serve
apenas como um meio de fornecer diferentes rótulos nominais para os valores em 'Crimes Violentos
por População', para fins de previsão. O novo atributo nominal adicionado tem três valores, que são
'Baixo', 'Médio' e 'Alto'. Se o valor em 'Crimes Violentos por População' for inferior a 25 por cento, o
valor de 'Gato' for 'Baixo', Se o valor em 'Crimes Violentos por População' for igual ou superior a 25
por cento e inferior a 40 por cento , então o valor de 'Cat' é 'Medium', Se o valor em 'Crimes
Violentos por População' for igual ou superior a 40 por cento, o valor de 'Gato' será 'Alto'. Todos os
valores foram adicionados cuidadosamente ao atributo recém-criado para todas as instâncias e
verificados várias vezes por todos os autores, para erradicar quaisquer chances de erros.
D. Construindo Classificadores (modelos) e Medidas para Avaliação de
Desempenho
Aqui, os algoritmos usados para realizar o experimento são explicados e as medidas de desempenho
também são descritas. Um classificador aive Bayes é um classificador probabilístico simples
baseado na aplicação do teorema de Bayes com forte suposição de independência (ingênua). Os
classificadores bayesianos adotam uma abordagem de aprendizagem supervisionada. Os
classificadores Naive Bayes podem ser treinados de forma muito eficiente em um ambiente de
aprendizagem supervisionado. Eles têm a capacidade de prever a probabilidade de uma
determinada tupla pertencer a uma classe específica [10] . A força do classificador Naive Bayesian,
como um poderoso modelo probabilístico, foi comprovada para resolver tarefas de classificação de
forma eficaz [11] . Para qualquer instância dada,X = ( X1 , X2 … … Xn , ) onde
X1 é o valor do atributoX 1
é calculado pelo classificador bayesiano para todos os valores
, P ( C| X)
possíveis da classe C e prevê:
∗
C = argumento má x.c p ( x | c )
Ver fonte
Como o valor da classe para a instância X.
Portanto, estimarP ( X| C)
que é proporcional aP ( X| C) P ( C)
é a etapa principal de um
classificador Bayesiano.
O algoritmo de retropropagação (BP), pode ser definido como um modelo de raciocínio baseado no
cérebro humano. Um BP típico é composto por uma hierarquia de camadas, e os neurônios nas
redes são organizados ao longo dessas camadas [1] . Os pesos são modificados para alinhar o
comportamento de entrada/saída da rede com o do ambiente. A equação do modelo é:
Y (p) = passo [ ___ ∑ x ( P )c

eu
( p )
eu
− θ ] ,
eu = 1
Ver fonte
Onde n é a função do perceptron
Step é uma função de ativação de etapa
c. são os pesos do perceptron e X i são as entradas.
y (p) é a saída desejada.
Os dois algoritmos utilizados neste experimento têm uma grande capacidade de fornecer uma
previsão correta. O resultado de ambos os algoritmos será avaliado com base nas seguintes medidas
de desempenho listadas abaixo:
Precisão que define ou delineia a porcentagem de instâncias classificadas corretamente pelos

classificadores [2] .
Precisão que se refere à proporção de dados classificados corretamente usando algoritmo de

classificação.
Recall, que também é uma medida de desempenho significativa que se refere ao percentual de
informações relevantes para a classe e classificadas corretamente.
SEÇÃO IV.
Resultados do Experimento, Análise e
Avaliação de Desempenho
No experimento, foi realizada uma comparação entre Rede Neural Naive Bayesiana e Artificial,
sobre o conjunto de dados de crimes [5] . Ao realizar o experimento, o conjunto de dados pré-
processado foi convertido para. Arquivo ARFF, que é o tipo de arquivo padrão para entrada WEKA
[8] . Além disso, durante o experimento, a validação cruzada de 10 vezes foi aplicada ao conjunto
de dados de entrada dos dois grupos diferentes, separadamente para os algoritmos Naive Bayesian e
Back Propagation. A precisão da validação cruzada de 10 vezes para Naive Bayesian e Back
Propagation para os diferentes grupos é mostrada na tabela 3 abaixo.
Tabela 3. Precisão de nb e bp
Pelo resultado obtido no experimento Naive Bayesian superou o BP e manifestou maior

desempenho. No entanto, a matriz de confusão para ambos os algoritmos em cada grupo é
mostrada nas tabelas 4 , 5, 6 e 7 abaixo.
Tabela 4. Matriz de confusão usando nb para grupo1
Tabela 5. Matriz de confusão usando bp para grupo1
Tabela 6. Matriz de confusão usando nb para grupo2
Tabela 7. Matriz de confusão usando bp para grupo2
As Tabelas 4 e 6 ilustram a classificação das classes baixa, alta e média usando o algoritmo Naive
Bayesiano para cada grupo. Da mesma forma, as tabelas 5 e 7 ilustram a classificação das classes
baixa, alta e média usando o algoritmo BP.
Pelos resultados das matrizes de confusão e sua explicação acima, pode-se perceber que o Naive
Bayesian teve melhor desempenho que o BP em ambos os grupos. A classificação baseada no grupo
1, relacionado à raça, apresenta a maior precisão. Além disso, a partir da análise constatou-se que a
precisão e a evocação permanecem as mesmas quando a PA é utilizada como classificador para
ambos os grupos. BP como classificador, pode-se observar claramente que a precisão é de 0,659
para ambos os grupos e a recordação permanece 1 também para ambos os grupos. O Naive
Bayesian teve melhor desempenho na previsão de todas as classes, nomeadamente Baixa, Média e
Alta e para BP, conforme visto na matriz de confusão, prevê apenas o rótulo da classe Baixa. Tabela
8 e 9, ilustra respectivamente a Precisão (instâncias classificadas corretamente), instâncias
classificadas incorretamente, Precisão e Recuperação para ambos os algoritmos usados para os dois
grupos no experimento. A comparação entre diferentes medidas de ambos os grupos é ilustrada
abaixo. Aqui, a Figura 2 mostra a comparação de diferentes medidas com base no grupo 1. Da
mesma forma, a Figura 3 mostra a comparação de diferentes medidas com base no grupo 2. A
comparação percentual para instâncias classificadas correta e incorretamente para ambos os
algoritmos para cada grupo é demonstrada na Figura 4 e 5 respectivamente.

Figura 2:
Comparação entre diferentes medidas de ambos os algoritmos do grupo 1.

Figura 3:
Comparação entre diferentes medidas de ambos os algoritmos do grupo 2.

Figura 4:
Comparação percentual de instâncias classificadas correta e incorretamente do grupo 1.

Figura 5:
Comparação percentual de instâncias classificadas correta e incorretamente do grupo 2.
Tabela 8. PRECISÃO, INSTÂNCIAS CLASSIFICADAS INCORRETAMENTE, PRECISÃO,

RECALL E medida F PARA AMBOS OS ALGORITMOS do grupo I
Tabela 9. PRECISÃO, INSTÂNCIAS CLASSIFICADAS INCORRETAMENTE, PRECISÃO,

RECALL E medida F PARA AMBOS OS ALGORITMOS do grupo 2
SEÇÃO V.
Conclusão e trabalho futuro
Este artigo apresenta uma comparação entre dois algoritmos de classificação, nomeadamente,
Naive Bayesian e Back Propagation para prever o atributo 'Categoria de Crime', tendo rótulos,
nomeadamente 'Baixo', 'Médio' e 'Alto'. Para Naive Bayesian, a Precisão, Precisão e Recall do grupo
1 são 90,2207%, 95,8% e 93% e para o grupo 2 são 94,0822%, 98,3% e 94,8%. Por outro lado, os
valores de Exatidão, Precisão e Rechamada para PA para o grupo 1 são 65,9478%, 65,9% e 100% e
para o grupo 2 são 65,9469%, 65,9% e 100% respectivamente. Os resultados experimentais para
ambos os algoritmos manifestam que o Naive Bayesian teve um desempenho melhor do que o BP
para o conjunto de dados criminais usando WEKA. Este experimento foi realizado usando validação
cruzada de 10 vezes. É evidente que as agências responsáveis pela aplicação da lei podem tirar
grandes vantagens, usando algoritmos de aprendizado de máquina como o Naive Bayesian para
combater eficazmente o crime e a guerra contra o terrorismo. Para pesquisas futuras, existe um
plano para aplicar outros algoritmos de classificação no conjunto de dados criminais e avaliar seu
desempenho de previsão. Outra direção para trabalhos futuros é usar outras técnicas para seleção
de recursos e estudar seu efeito no desempenho de previsão de diferentes algoritmos.
Autores 
Figuras 
Referências 
Baixar PDFs Exportar  Referências e citados por
Selecionar tudo
1. Negnevitsky, M.: Inteligência Artificial: Um Guia para Sistemas Inteligentes, segunda edição, Pearson
Education Limited, pp. (2005)
 Mostrar no contexto Google Scholar 
2. Han, J. e Kamber, M.: Mineração de dados: conceitos e técnicas, Morgan Kaufmann Publishers, San
Francisco, CA. (2006)
3. Li, G. e Wang, Y.: Um método de classificação de preservação de privacidade baseado na decomposição

de valores singulares, Arab Journal of Information Technology, vol 9(6), 529-534. (2012)
4. Santhi, P., e Bhaskaran, VM: Desempenho de algoritmos de agrupamento em banco de dados de saúde,
International Journal for Advances in Computer Science, vol 2(1), 26-31. (2010)
5. Repositório de aprendizado de máquina UCI.: Disponível em: http://archive.ics.uci.edu/ml/datasets.html

(2012)
 Mostrar no contexto
6. Ngai, EWT, Xiu, L. et al.,: Aplicação de técnicas de mineração de dados na gestão de relacionamento com
o cliente: Uma revisão e classificação da literatura, Expert Systems with Applications, vol 36(2), 2592-2602.
(2009)
 Mostrar no contexto CrossRef Google Scholar
7. Selvaraj, S., e Natarajan, J.: Análise de dados de microarray e ferramentas de mineração, Bioinformation,
vol 6(3), 95-99. (2011)
8. Witten, I., Frank, E. et al.,: Mineração de dados: ferramentas e técnicas práticas de aprendizado de
máquina. Morgan Kaufmann. (2011)
9. WikiPedia.: WIKIPEDIA, Disponível em: http://en. wikipedia.org/wiki/List-of-US-states-by-area. (2012)

 Mostrar no contexto
10. Batchu, V., Aravindhar, DJ et al.,: Uma abordagem dependente baseada em classificação para supressão
de dados, IJCA Proceedings on Wireless Information Networks & Business Information System (WINBIS
2012), Foundation of Computer Science (FCS). 2011
11. Geenen, PL, Van Der Gaag, LC et al.,: Construindo classificadores Bayesianos ingênuos para medicina
veterinária: Um estudo de caso no diagnóstico clínico da peste suína clássica, Research in Veterinary
Science, vol 91 (1), 64-70. (2011)
12. Aziz, N., Ihm, S., Park, Y.: Um modelo de classificação baseado em árvore de decisão para previsão de
crimes. Convergência da Tecnologia da Informação, notas de aula em Engenharia Elétrica 253. (2013)
13. Rizwan, I., Masrah, AAM et al.,: Um estudo experimental de algoritmos de classificação para previsão de
crimes. Revista internacional de ciência e tecnologia vol 6 (3). (2013)
14. Chen, H., Chung, W., Xu, JJ., Wang, G., Qin, Y., Chau, M.: Mineração de dados criminais: uma 
estrutura geral e alguns exemplos. Comp 37(4):50-56. (2004)
 Mostrar no contexto Ver artigo  Google Scholar
15. Liu, X., Jian, C., Lu, CT .: Um mecanismo de busca de crimes de textura espaço-temporal. In: Anais da
18ª conferência internacional SIGSPATIAL sobre avanços em sistemas de informação geográfica, pp 528-
529. (2010)
16. Shah, S., Boa, F., Lu, CT., Chen, IR.: CROWDSAFE: Crowd sourcing de incidentes criminais e
roteamento seguro em dispositivos móveis. In: Anais da 18ª conferência internacional SIGSPATIAL sobre
avanços em sistemas de informação geográfica, pp 521-524. (2011)
17. Baumgartner, K., Ferrari, S., Palermo, G.: Construindo redes Bayesianas para perfis criminais a partir de
dados limitados. Sistema Baseado em Conhecimento 21(7):563-57. (2008)
Citações 
Palavras-chave 
Métricas 
Mais como isso
Conhecimento baseado em humanos para classificação de padrões de falha de sonda com o uso de uma rede neural de retropropagação. Aplicação
em tecnologias lineares submicrométricas
IEEE/SEMI 1998 IEEE/SEMI Conferência e Workshop de Fabricação de Semicondutores Avançados (Cat. No.98CH36168)
Publicado: 1998
Redes circulares de retropropagação para classificação

Transações IEEE em Redes Neurais
Publicado: 1997
Mostre mais
Conta Pessoal IEEE Detalhes da compra Informação do Perfil Preciso de ajuda? Seguir
ALTERAR NOME DE OPÇÕES DE PREFERÊNCIAS DE EUA E CANADÁ: +1 800 678     

USUÁRIO/SENHA PAGAMENTO COMUNICAÇÃO 4333
VER DOCUMENTOS PROFISSÃO E EM TODO O MUNDO: +1

ADQUIRIDOS EDUCAÇÃO 732 981 0060
INTERESSES TÉCNICOS CONTATO E SUPORTE
Sobre o IEEE Xplore | Contate-nos | Ajuda | Acessibilidade | Termos de Uso | Política de Não Discriminação | Relatório de Ética do IEEE | Mapa do
site | Política de privacidade do IEEE
Uma organização sem fins lucrativos, o IEEE é a maior organização profissional técnica do mundo dedicada ao avanço da tecnologia para o benefício
da humanidade.
© Copyright 2023 IEEE – Todos os direitos reservados.
IEEE Account
» Change Username/Password
» Update Address
Purchase Details
» Payment Options
» Order History
» View Purchased Documents
Profile Information
» Communications Preferences
» Profession and Education
» Technical Interests
Need Help?
» US & Canada: +1 800 678 4333
» Worldwide : +1 732 981 0060
» Contact & Support
About IEEE Xplore | Contact Us | Help | Accessibility | Terms of Use | Nondiscrimination Policy | Sitemap | Privacy & Opting Out of Cookies
A not-for-profit organization, IEEE is the world's largest technical professional organization dedicated to advancing technology for the benefit of humanity.
© Copyright 2023 IEEE - All rights reserved. Use of this web site signifies your agreement to the terms and conditions.

Ws 004 Ok

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Ws 004 Ok

Enviado por

Direitos autorais:

Formatos disponíveis

22/09/2023, 17:20 Método aprimorado de algoritmos de classificação para previsão de crimes | Publicação da Conferência IEEE | Explorar IEEE

Acesso fornecido por: Sair

 Navegar Minhas configurações Ajuda UNIVERSIDADE FEDERAL

Acesso fornecido por: Sair

Conferências > Simpósio Internacional 2014 ... 

Método aprimorado de algoritmos de classificação para previsão de crimes

Aba Babakura ; MD Nasir Sulaiman ; Mahmud A. Yusuf Todos os autores 

Adicionar aos alertas de citação

III. Marco Metodológico

Palavras-chave Data da Conferência: 26 a 27 de agosto de 2014 Número de acesso INSPEC: 14855371

Métricas Data adicionada ao IEEE Xplore : 19 de janeiro de 2015 DOI: 10.1109/ISBAST.2014.7013130

 Informações ISBN: Editora: IEEE

Criminologistas e estatísticos têm utilizado suas habilidades e conhecimentos na tentativa de

A mineração de dados atraiu, portanto, uma incrível consideração na indústria da informação e na

B. Coleta de conjuntos de dados criminais

C. Pré-processamento do conjunto de dados criminais

possíveis da classe C e prevê:

Como o valor da classe para a instância X.

Y (p) = passo [ ___ ∑ x ( P )c

Onde n é a função do perceptron

Step é uma função de ativação de etapa

y (p) é a saída desejada.

Precisão que define ou delineia a porcentagem de instâncias classificadas corretamente pelos

Precisão que se refere à proporção de dados classificados corretamente usando algoritmo de

Pelo resultado obtido no experimento Naive Bayesian superou o BP e manifestou maior

Tabela 4. Matriz de confusão usando nb para grupo1

Tabela 5. Matriz de confusão usando bp para grupo1

Tabela 6. Matriz de confusão usando nb para grupo2

Tabela 7. Matriz de confusão usando bp para grupo2

Tabela 8. PRECISÃO, INSTÂNCIAS CLASSIFICADAS INCORRETAMENTE, PRECISÃO,

Tabela 9. PRECISÃO, INSTÂNCIAS CLASSIFICADAS INCORRETAMENTE, PRECISÃO,

Baixar PDFs Exportar  Referências e citados por

3. Li, G. e Wang, Y.: Um método de classificação de preservação de privacidade baseado na decomposição

5. Repositório de aprendizado de máquina UCI.: Disponível em: http://archive.ics.uci.edu/ml/datasets.html

9. WikiPedia.: WIKIPEDIA, Disponível em: http://en. wikipedia.org/wiki/List-of-US-states-by-area. (2012)

 Mostrar no contexto Google Scholar 

Mais como isso

Redes circulares de retropropagação para classificação

ALTERAR NOME DE OPÇÕES DE PREFERÊNCIAS DE EUA E CANADÁ: +1 800 678     

VER DOCUMENTOS PROFISSÃO E EM TODO O MUNDO: +1

INTERESSES TÉCNICOS CONTATO E SUPORTE

© Copyright 2023 IEEE – Todos os direitos reservados.

» View Purchased Documents

» Profession and Education

» US & Canada: +1 800 678 4333

» Worldwide : +1 732 981 0060

» Contact & Support

Você também pode gostar