ارائه مدلی جهت تحلیل جرایم و شناسایی هوشمند مجرمین با استفاده از تکنیک های داده کاوی

با گذشت زمان، میزان جرایم به شدت افزایش یافته و فناوریهایی که به مردم کمک کرده تا زندگی آسانتری داشته باشند به جنایتکاران هم کمک کرده تا از روشهای دقیق تری در ارتکاب جرایم استفاده کنند. یکی از نگرانیهای کلیدی مسئولین انتظامی چگونگی افزایش اثربخشی تحقیقی پلیس و همچنین تلاش برای بهبود آن میباشد تا در مسابقه ی ابدی بین مجریان قانون و مجرمان باقی بمانند . داده کاوی قویترین و بهترین روش استخراج دانش و روابط پایه ایی بین داده ها و کشف الگوها در حجم زیادی از داده ها با استفاده از علوم مختلف میباشد و در نتیجه پیش بینی، پیش گیری از ارتکاب جرائم و کشف جرم به صورت علمی نه صرفا تجربی به کمک داده کاوی، راهبردی است که باعث اتخاذ تصمیمات بهتر و برنامه ریزی های استراتژیک در سطح خرد و کلان میشود.در این مقاله به ارائه مدلی جهت تحلیل جرایم و شناسایی هوشمند مجرمین با استفاده از تکنیک های داده کاوی با متدولوژی CRISP پرداخته ایم. با توجه به اینکه هر کدام از روشها و الگوریتمهای داده کاوی مزایا و معایب متفاوتی دارند استفاده از روشهای ترکیبی که در واقع هیئت ژوری تشکیل میدهند و با رای حداکثری نتیجه نهایی را اعلام میکنند، باعث میشود تا بهترین نتیجه را در برداشته باشد. مدل پیشنهادی ما به روش یادگیری ترکیبی طبقه بندها از سه الگوریتم دسته بند پایه DecisionTree، Naive Bayes، SVM به ترتیب با وزنهای 2و1و2 آموزش داده شد .این روش نسبت به سایر روشها و خود الگوریتم های پایه، دارای کارایی بیشتری بوده و معیار ارزیابی دقت و صحت دسته بندی را به %79 و %78 افزایش میدهد.

Keywords:

شناسایی هوشمند مجرمین , داده کاوی , جرایم , دسته بندی , روش یادگیری ترکیبی