Predikce kriminality s využitím strojového učení

Abstract

Predikce kriminality může v praxi významně zlepšit strategické rozmístění policejních hlídek ve městě, což pomáhá prevenci před vznikem kriminálních činů. Strojové učení je jedna z nejpoužívanějších metod pro predikci kriminality. Je však potřeba stále porovnávat různé typy algoritmů a postupy pro získání nejlepších výsledků. Tato práce porovnává několik druhů algoritmů. Pro učení modelů byla použita data poskytnutá Policí České republiky (PČR) za roky 2020 až 2021 na území města Ostravy. Do modelů vstupují vybrané kategorie trestných činů: krádeže, krádeže vloupáním, jiná majetková trestná činnost a přestupky proti majetku dle §50. V práci bylo porovnáno několik metod pro převzorkování nevybalancovaného datasetu. Jako nejlepší metoda byla zvolena SMOTETomek. Bylo zjištěno, že komplexnější algoritmy dosahují přesnějších výsledků predikce, například boostovací rozhodovací stromy nebo neuronová síť.

In practice criminality prediction can significantly improve strategic positioning of police patrol in the city, which helps prevent crime from occurring. Machine learning is one of the most widely used method for this problem. However, there is still need to keep comparing various types of algorithms and approaches to get better results. This thesis compares several types of algorithms. Models was learned from data provided by Police of Czech Republic (PČR) for the years 2020 and 2021 on the territory of the city Ostrava. Only selected categories of crimes are entered into the models: theft, burglary, other property crimes and offences against property according to §50. Several methods for resampling the unbalanced dataset were compared in this paper. SMOTETomek was chosen as the best method. It was found that more complex algorithms, such as boosting decision trees or neural networks yield more effective results.