论文部分内容阅读
摘 要：简单介绍利用决策树对一个犯罪嫌疑人的犯罪行为程度进行分析，挖掘相应数据，理出一个较可行的方式和模型，实现对犯罪风险程度的预测。
关键词：决策树；数据整合与挖掘；犯罪预测
中图分类号：TP18
1 绪论
随着信息化时代的到来，大数据、云计算、机器学习等科学技术不断得到发展与完善，各个行业的技术均离不开信息化建设的支持。在信息化社会背景下，公安应用也在不断改革。这一新的趋势促使公安工作在大数据的环境下不断挖掘、不断运用。为提高公安情报工作，公安部门应加强数据的整合与挖掘。传统的警情研判、对犯罪人的预测，是通过人力队海量数据进行整合分析，这样耗费了大量警力资源。所以，警务改革应针对情报分析方向的技术加以深层次的研究，打造一个良好的、有效率的、适应当下环境的综合运用系统。目前在该领域，相关部门已经建设相应的信息数据平台，但对信息的处理仅仅还停留在查询、统计、更新，对处理完的案件进行更新储存，便于以后查询，分析层次极其欠缺。好比基层公安机关的警情分析系统都是基于C/S模式，得出的结果大多是复杂的报表数据，警综平台就是一个鲜明的例子。但这些复杂的数据中，隐含着许多未被利用且被忽略的数据信息，所以需要结合公安多方面的应用，将数据进行整合和挖掘，基于决策树进行数据分析，建立数据仓库，总和数据记录，好比大量的犯罪行为记录，发现其犯罪规律、趋势、犯罪行为之间的联系以及诱发状态，从而实现对犯罪程度的预测。
2 犯罪行为
决犯罪行为是犯罪人所实施的违反刑法规定构成犯罪的行为。是刑法学中犯罪构成的基础和行为人承担刑事责任的根据。它是一个犯罪心理演变的过程，最主要的就是犯罪嫌疑人的犯罪动机。如果能提前准确地对其进行预测，就能在犯罪嫌疑人将要进行犯罪前阻止其一切行动。
3 决策树
决策树（decision tree）是一类常见的机器学习方法，目的是为了产生一棵泛化能力强，即处理未见示例能力强的决策树。决策树的生成是一个递归的过程。
（1）决策树算法。决策树算法是数据挖掘技术中用来分类、预测的一种算法。在决策树的基本算法中，有三种情况会导致递归返回：①当前节点包含的样本全属于同一类别，无需划分；②当前属性集为空，或是所有样本在所有属性上取值相同，无法划分；③当前节点包含的样本集为空，不能划分。它的树形结构模型，在分类问题中，表示基于特征队数据进行分类的过程，可以认为是if-then规则的集合，每个内部节点表示在属性上的一个测试，每个分支代表一个测试输出，每个叶节点代表一种类别。
4 决策树下犯罪风险中的应用
（1）模拟信息表。为了有效说明问题，我们给出少许的虚拟数据，进行综合处理得出一个数据表。首先进行数据预处理：可将已知信息，按有年龄、文化程度、经济情况、有无固定职业、有无犯罪记录、违法次数、犯罪程度等分类，进行标记，生成枝叶，将每个节点数据综合整理，形成模拟信息表。
（2）基于ID3的决策树模型。由于虚拟数据内容不够详细，分析程度和分类知识的获取仍然未达到理想状态。如果项目和记录次数较多，则决策树的分枝和层次将非常庞大。当然，在实际应用中，分析的数据和项目越多，得出的挖掘知识就更可信，更具有价值。这只是一个简单的粗层次分类模型，想做到良好的、可靠的分析模型，我们应在大数据基础上，采集并挖掘更多的有效数据，并结合犯罪分析的专业知识，从作案对象、手段特点、作案工具、作案时间、作案场所、专长等特征具体加以分析，这将会是一个很有意义的分析模型，采用的是ID3算法生成的决策树模型，这个算法的特点是使用信息增益来选择特征。
（3）分支顺序。我们依然可以采用一种递归生成算法，依据的是分支顺序。算法基本流程是：创建一个新的节点N，如果虚拟数据样本在其它的同类，就使算法中的N标位叶节点，如果样本其他的分枝为空值，并标位普通类，选择样本分枝中具有最高信息增益属性，为其对应已知的数值，再从节点N选出其分枝，在几何中进行增加叶节点与节点，最后得出最终值。在决策树每个节点上用信息增益熵来进行选择，简称分枝优选。这一种递归算法可以通过在样本中的，选择最大熵的列作为当前节点的决策，进行层层筛选而得出最小属性值。该属性值就能判断测犯罪嫌疑人的犯罪程度大小，从而预测犯罪风险程度，如此构造了一个相对比较简单的树和模型。
5 结语
利用决策树算法的技术形成时间并不长远，在我国内各方面领域上，能使用的并不占多数，仅仅局限在商业服务中，而且能成功运用的少之又少。如果放在犯罪风险预测上，那是一个非常有意义的应用。基于决策树的犯罪风险预测模型对于公安系统的运用中，能够以最快速度的、高效率的提前预测犯罪嫌疑人的犯罪行为以及犯罪风险程度，这样能够在警综平台上有效地减少人工成本，对于信息化作战中提供了良好的作战准备及保护措施。无法预测到犯罪风险的大小，民警们就很难保护公民们的安全，更难处理意外之事。本文通过对虚拟数据的挖掘，提供了一个较为合理的决策模式，采取这种最低级别的模式，得出一些具有参考价值的的分析结论，能够对公安业务起到推进作用，提供了一个良好的发展方向。
参考文献：
[1]刘美玲.基于数据挖掘的决策树算法研究及应用探讨[D].上海：华东理工大学，2009.
[2]卢东标.基于决策树挖掘算法研究与应用[D].武汉：武汉理工大学，2008.
[3]庄卿卿.一种改进的ID3算法[J].现代计算机（专业版），2009，32（3）：37-41.
[4]陆秋.基于决策树ID3算法的数据挖掘技术研究与应用.桂林：桂林工学院 桂林理工大学，2007.
[5]王珊.數据仓库技术与联机分析处理.科学出版社，1998.
[6]Han Jiawei，Kamber M.Data Mining Concepts and Techniques.Morgan Kaufmann Publishers，Inc.，2001.
关键词：决策树；数据整合与挖掘；犯罪预测
中图分类号：TP18
1 绪论
随着信息化时代的到来，大数据、云计算、机器学习等科学技术不断得到发展与完善，各个行业的技术均离不开信息化建设的支持。在信息化社会背景下，公安应用也在不断改革。这一新的趋势促使公安工作在大数据的环境下不断挖掘、不断运用。为提高公安情报工作，公安部门应加强数据的整合与挖掘。传统的警情研判、对犯罪人的预测，是通过人力队海量数据进行整合分析，这样耗费了大量警力资源。所以，警务改革应针对情报分析方向的技术加以深层次的研究，打造一个良好的、有效率的、适应当下环境的综合运用系统。目前在该领域，相关部门已经建设相应的信息数据平台，但对信息的处理仅仅还停留在查询、统计、更新，对处理完的案件进行更新储存，便于以后查询，分析层次极其欠缺。好比基层公安机关的警情分析系统都是基于C/S模式，得出的结果大多是复杂的报表数据，警综平台就是一个鲜明的例子。但这些复杂的数据中，隐含着许多未被利用且被忽略的数据信息，所以需要结合公安多方面的应用，将数据进行整合和挖掘，基于决策树进行数据分析，建立数据仓库，总和数据记录，好比大量的犯罪行为记录，发现其犯罪规律、趋势、犯罪行为之间的联系以及诱发状态，从而实现对犯罪程度的预测。
2 犯罪行为
决犯罪行为是犯罪人所实施的违反刑法规定构成犯罪的行为。是刑法学中犯罪构成的基础和行为人承担刑事责任的根据。它是一个犯罪心理演变的过程，最主要的就是犯罪嫌疑人的犯罪动机。如果能提前准确地对其进行预测，就能在犯罪嫌疑人将要进行犯罪前阻止其一切行动。
3 决策树
决策树（decision tree）是一类常见的机器学习方法，目的是为了产生一棵泛化能力强，即处理未见示例能力强的决策树。决策树的生成是一个递归的过程。
（1）决策树算法。决策树算法是数据挖掘技术中用来分类、预测的一种算法。在决策树的基本算法中，有三种情况会导致递归返回：①当前节点包含的样本全属于同一类别，无需划分；②当前属性集为空，或是所有样本在所有属性上取值相同，无法划分；③当前节点包含的样本集为空，不能划分。它的树形结构模型，在分类问题中，表示基于特征队数据进行分类的过程，可以认为是if-then规则的集合，每个内部节点表示在属性上的一个测试，每个分支代表一个测试输出，每个叶节点代表一种类别。
4 决策树下犯罪风险中的应用
（1）模拟信息表。为了有效说明问题，我们给出少许的虚拟数据，进行综合处理得出一个数据表。首先进行数据预处理：可将已知信息，按有年龄、文化程度、经济情况、有无固定职业、有无犯罪记录、违法次数、犯罪程度等分类，进行标记，生成枝叶，将每个节点数据综合整理，形成模拟信息表。
（2）基于ID3的决策树模型。由于虚拟数据内容不够详细，分析程度和分类知识的获取仍然未达到理想状态。如果项目和记录次数较多，则决策树的分枝和层次将非常庞大。当然，在实际应用中，分析的数据和项目越多，得出的挖掘知识就更可信，更具有价值。这只是一个简单的粗层次分类模型，想做到良好的、可靠的分析模型，我们应在大数据基础上，采集并挖掘更多的有效数据，并结合犯罪分析的专业知识，从作案对象、手段特点、作案工具、作案时间、作案场所、专长等特征具体加以分析，这将会是一个很有意义的分析模型，采用的是ID3算法生成的决策树模型，这个算法的特点是使用信息增益来选择特征。
（3）分支顺序。我们依然可以采用一种递归生成算法，依据的是分支顺序。算法基本流程是：创建一个新的节点N，如果虚拟数据样本在其它的同类，就使算法中的N标位叶节点，如果样本其他的分枝为空值，并标位普通类，选择样本分枝中具有最高信息增益属性，为其对应已知的数值，再从节点N选出其分枝，在几何中进行增加叶节点与节点，最后得出最终值。在决策树每个节点上用信息增益熵来进行选择，简称分枝优选。这一种递归算法可以通过在样本中的，选择最大熵的列作为当前节点的决策，进行层层筛选而得出最小属性值。该属性值就能判断测犯罪嫌疑人的犯罪程度大小，从而预测犯罪风险程度，如此构造了一个相对比较简单的树和模型。
5 结语
利用决策树算法的技术形成时间并不长远，在我国内各方面领域上，能使用的并不占多数，仅仅局限在商业服务中，而且能成功运用的少之又少。如果放在犯罪风险预测上，那是一个非常有意义的应用。基于决策树的犯罪风险预测模型对于公安系统的运用中，能够以最快速度的、高效率的提前预测犯罪嫌疑人的犯罪行为以及犯罪风险程度，这样能够在警综平台上有效地减少人工成本，对于信息化作战中提供了良好的作战准备及保护措施。无法预测到犯罪风险的大小，民警们就很难保护公民们的安全，更难处理意外之事。本文通过对虚拟数据的挖掘，提供了一个较为合理的决策模式，采取这种最低级别的模式，得出一些具有参考价值的的分析结论，能够对公安业务起到推进作用，提供了一个良好的发展方向。
参考文献：
[1]刘美玲.基于数据挖掘的决策树算法研究及应用探讨[D].上海：华东理工大学，2009.
[2]卢东标.基于决策树挖掘算法研究与应用[D].武汉：武汉理工大学，2008.
[3]庄卿卿.一种改进的ID3算法[J].现代计算机（专业版），2009，32（3）：37-41.
[4]陆秋.基于决策树ID3算法的数据挖掘技术研究与应用.桂林：桂林工学院 桂林理工大学，2007.
[5]王珊.數据仓库技术与联机分析处理.科学出版社，1998.
[6]Han Jiawei，Kamber M.Data Mining Concepts and Techniques.Morgan Kaufmann Publishers，Inc.，2001.