書目名稱 | Prognose von Wohnungseinbrüchen mit Hilfe von Machine-Learning-Algorithmen | 編輯 | Daniel Haake | 視頻video | http://file.papertrans.cn/760/759800/759800.mp4 | 叢書名稱 | BestMasters | 圖書封面 |  | 描述 | Das Buch besch?ftigt sich mit der M?glichkeit der Prognose von Wohnungseinbrüchen mit Hilfe von Machine-Learning-Verfahren. Die Analyse beschr?nkt sich auf die Fragestellung, ob nach einem erfolgten Wohnungseinbruch mit einer Nachfolgetat, den sog. Near-Repeats, zu rechnen ist. Dabei wird untersucht, welche Faktoren zu guten Prognoseergebnissen beitragen. Zur Verfügung stehen Daten zu Wohnungseinbrüchen aus Baden-Württemberg aus den Jahren 2010 bis 2017. Erg?nzt werden die polizeilichen Daten um geografische Daten, die den Tatort beschreiben. Hiermit wird geprüft, ob kriminalgeografische Faktoren gute Indikatoren zur Prognose von Wohnungseinbrüchen, genauer gesagt Near-Repeats, darstellen. Als Machine-Learning-Verfahren kommen die Verfahren Random Forest, XGBoost, Support Vector Machines, Neuronale Netze und ein Soft-Voting der Modelle zum Einsatz. Mit Hilfe dieser Verfahren kann eine Pr?zision der Prognosen von über 60% erreicht werden. Es wird au?erdem erstmalig gezeigt, dass auch Prognosen für den l?ndlichen Raum m?glich sind.. | 出版日期 | Book 2022 | 關鍵詞 | Artificial Intelligence; Machine Learning; Data Science; Polizei; Kriminologie; Predictive Policing | 版次 | 1 | doi | https://doi.org/10.1007/978-3-658-37660-4 | isbn_softcover | 978-3-658-37659-8 | isbn_ebook | 978-3-658-37660-4Series ISSN 2625-3577 Series E-ISSN 2625-3615 | issn_series | 2625-3577 | copyright | Der/die Herausgeber bzw. der/die Autor(en), exklusiv lizenziert an Springer Fachmedien Wiesbaden Gmb |
The information of publication is updating
|
|