基于集成学习的犯罪类型预测方法

随着计算机硬件水平的不断提高,集成学习技术在数据挖掘与分析中得到了广泛的应用,由于集成了大量的学习器,集成学习技术在实际应用中往往能够得到比单一学习器更好的结果。文章选用了来自芝加哥警察局的CLEAR(公民执法分析和报告)系统记录的数据,首先清洗了原始数据,然后使用随机森林、GBDT和XGBoost等3种集成学习方法,对数据进行建模分析,通过调参寻找最优参数模型,挖掘了数据深层次的价值,以期对现实中的犯罪活动有一定的预防作用。