KDDMar, 2018

一种决策树方法预测家庭暴力再犯

PDF
TL;DR本文旨在设计和评价不同的方法，以便能够处理类别不平衡以及特征选择，并通过决策树算法寻找到可解释且高准确性的结果，相比之前使用逻辑回归算法的研究，我们的方法只使用了 3 个特征且生成的决策树仅包含 4 个叶子节点。
domestic violencedv recidivismdecision treelogistic regressionfeature selection
发现论文，激发创造
  • 可解释的再犯预测分类模型

    该研究探讨了如何创建足够准确、透明、可解释的再犯预测模型以用于决策，使用了流行的机器学习方法来创建沿全 ROC 曲线的模型，并使用 SLIM 方法创建精确、透明、可解释的模型，可用于各种不同的用例，因为它们与最强大的黑盒机器学习模型一样准确，但完全透明和高度可解释。

    Mar, 2015

  • 通过探索性数据分析和可解释机器学习探寻男性家庭暴力

    对孟加拉国男性家庭暴力（MDV）进行了首次探索，揭示了其普遍性、模式和潜在因素，研究结果挑战了家庭暴力主要影响女性的普遍观念，强调了为男性受害者提供量身定制的干预和支持体系的必要性。机器学习技术在数据分析和理解方面起到了积极的作用。

    Mar, 2024

  • 利用时空数据进行犯罪预测

    本研究利用监督学习技术预测犯罪活动，通过分析先前犯罪活动记录和模式，该系统基于决策树和 K 最近邻算法进行预测，同时使用随机森林算法和 Adaboost 提高准确性，并使用过采样来提高准确性。

    Mar, 2020

  • BehavDT: 用于构建以用户为中心的上下文感知预测模型的行为决策树学习

    本文提出了一种基于行为决策树模型的上下文感知预测模型，通过考虑个人偏好水平来输出用户行为的一般化和上下文特定化决策，进而更加有效地预测用户多维上下文中的行为模式，该模型在真实智能手机数据集上的实验结果证明，它比传统的机器学习方法更加有效。

    Dec, 2019

  • 暴力检测技术概述：当前挑战和未来方向

    本篇研究概述了深度序列学习方法及其用于暴力检测的本土化策略，对初始图像处理和基于机器学习的暴力检测进行了分析，详细描述了现有模型的优缺点并提出未来方向。

    Sep, 2022

  • 一种新型层次化入侵检测系统，基于决策树和基于规则的模型

    本文提出了一个新颖的入侵检测系统（IDS），结合了基于决策树和基于规则的概念的不同分类器方法，即 REP 树，JRip 算法和 Forest PA，并通过分析使用 CICIDS2017 数据集的 IDS 获得实验结果表明其在准确性，检测率，误报率和时间开销方面的优越性，相比于现有的最先进方案。

    Dec, 2018

  • 决策树和决策树森林模型在软件开发工作量估算中的比较

    本文探讨了使用决策树森林模型结合 ISBSG 和 Desharnais 工业数据集用于软件工作量预测，得出该模型在软件工作量预测中是可行的，同时还和传统决策树模型和多元线性回归模型进行了比较。

    Aug, 2015

  • 单变量和多变量决策树的相关性和非预期偏差

    决策树是可访问、可解释且性能良好的分类模型。在过去的四十年里，已提出了众多表达能力不断增强的变体。我们对两类一元决策树和多元决策树进行对比，一元决策树通过轴平行超平面对数据进行分区，而多元决策树通过斜超平面对数据进行分区。后者包括前者，因此多元决策树原则上更强大。然而，出乎意料的是，一元决策树在文献中始终展现出相当的性能。我们通过合成和真实世界的基准数据集分析了其原因。我们的研究问题试图测试在数据集中去除特征间相关性的预处理阶段是否对一元决策树和多元决策树的相对性能产生影响。我们发现现有的基准数据集很可能存在偏向一元决策树的问题。

    Dec, 2023

  • 芝加哥市预测特定犯罪类型的多种方法的比较分析

    本文研究犯罪现象受到生理、社会和经济等因素影响，特别是针对通过时空信息预测盗窃这一单一犯罪案件的时空模型和不同算法进行探究，其中 XGBoost 算法表现最优，F1 分数为 0.86。

    Apr, 2023

  • 乳腺癌风险因素分析和生存预测的监督式机器学习

    利用机器学习方法，比较逻辑回归、支持向量机、决策树、随机森林、极端随机树、最近邻算法和自适应增强等七种分类模型来预测基于 METABRIC 数据集中 1904 名患者记录的 5 年乳腺癌生存率。研究结果表明，这些分类器可以准确预测样品的生存率，分别为 75.4％，74.7％，71.5％，75.5％，70.3％和 78％

    Apr, 2023