Pengelompokan Data Kriminal untuk Menentukan Pola Rawan Tindak Kriminal Menggunakan Algoritma K-Means
Notice bibliographique
Résumé
Crime is a problem experienced by humans from time to time, crime often occurs because of several factors, one of which is due to the lack of security of the address so that many criminal acts occur. Hamparan Perak Police is trying to increase its commitment to safeguard and protect the community through efforts that are organized consistently and continuously. The rise of criminal acts that occur, such as motorcycle theft, persecution, and the rise of robbery in the middle of the road makes residents feel unsafe and always feel threatened at certain addresses. Therefore, to determine the vulnerable pattern of crimes committed, it is necessary to determine the group to determine the vulnerable area or not using the clustering method, which aims to be able to assist the police in conducting socialization and actions for public security by combining objects in a group with each other and different from objects in other groups. From the tests carried out using the clustering method with the K-Means algorithm, it can be seen that the group of criminal data that has the highest group and most often appears when processed is the criminal act of theft, the pattern of criminal acts in quiet areas, has been monitored and planned in klambir village.
Conservé avec la notice de tri, où il sert de preuve aux étiquettes ci-dessus.
Comment cette classification a été obtenuedéplier
Le tri à trois modèles
les 5 600 travaux triés →Les trois modèles l'ont jugé hors champ.
K-means clustering of crime data to identify high-risk areas; applied data mining.
This applies clustering to criminal data and does not study research itself.
Applied K-means clustering of local crime data for police operations.
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».