Feb, 2024

犯罪预测的数据挖掘技术的实证与实验洞察：综述

PDF
TL;DR对犯罪预测方法学进行了全面分析，包括统计方法、机器学习算法和深度学习技术，提出了方法学分类体系，并进行了实证评估和实验比较，以便全面了解犯罪预测算法，并展望了未来犯罪预测技术的发展和进一步研究的机会。
发现论文，激发创造
  • 关于推荐系统中大数据的经验和实验观点：综合调查

    本研究探讨大数据推荐系统中的算法，并提出了一种基于三级层次结构的分类方法，通过实证和实验评估，对各种技术进行了排名。同时，研究还展示了大数据技术在推荐系统领域的未来前景和进一步研究的机会。

    Feb, 2024

  • 文本分类：回顾、实证和实验评估

    通过使用方法论分类将算法进行细分并实施实证评估和实验比较，我们的研究是第一篇利用此方法论分类对文本分类算法进行分类的综述论文。

    Jan, 2024

  • 犯罪网络中的犯罪头目检测技术：调查、实验和比较评估

    对犯罪网络中犯罪领导者鉴别的技术和算法进行了深入分析。提出了一种新的方法论分类法，通过对算法进行更详细的分类和具体技术鉴别，来解决现有调查报告的分类挑战。通过方法论分类法、实证评估和实验比较的结合，全面深入地理解了鉴别犯罪领导者的技术和算法，并提供了对未来发展的宝贵见解。

    Jan, 2024

  • 利用机器学习和深度学习进行犯罪预测：系统综述与未来方向

    本文研究了超过 150 篇文章，探讨了机器学习和深度学习算法在犯罪预测方面的应用，分析了犯罪预测所需的数据集和机器学习和深度学习的主要方法，并提出了可用于提高预测准确性的因素和未来研究方向，为犯罪预测领域的研究人员提供有价值的参考。

    Mar, 2023

  • 网络犯罪预测的进展：机器学习、深度学习、迁移学习和自适应学习技术概述

    机器学习、深度学习和迁移学习等技术已成为预测网络犯罪并在此之前防范的有效工具，本篇论文对这些技术的最新研究进展进行了全面综述，讨论了其优点和局限性，并为研究人员和从业者提供必要的见解、公共数据集和资源。

    Apr, 2023

  • 基于数据挖掘的欺诈检测研究综述

    该论文对过去 10 年内关于自动化欺诈检测的技术和综述文章进行了分类、比较和总结。它定义了专业欺诈者，形式化了已知欺诈的主要类型和子类型，并呈现了受影响行业内所收集的数据证据的性质。在挖掘数据以实现更高成本节约的业务环境中，该研究提出了方法和技术，以及它们的问题。与所有相关的欺诈检测综述相比，该综述涵盖了更多的技术文章，并且是我们所知道的唯一一个提出了相关领域的替代数据和解决方案。

    Sep, 2010

  • 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

  • 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

  • 数据挖掘技术在全球恐怖袭击分析中的联合应用 —— 预防和预测打击恐怖主义

    本文通过数据挖掘分类技术分析了世界范围内恐怖袭击的趋势，讨论了联合国在反恐斗争中的作用。

    Jan, 2019

  • 利用新型犯罪数据和机器学习进行犯罪预测

    本研究介绍了一种新的犯罪数据集，该数据集包含有关孟加拉国 6574 起犯罪事件的时间、地理、天气和人口统计数据，使用五种监督学习分类算法对这个数据集进行评估，并获得了令人满意的结果。此外，对数据集的各方面进行了探索性分析，并预计该数据集将为孟加拉国等国家的犯罪事故预测系统提供基础。

    Nov, 2022