10.15918/j.tbit1001-0645.2018.09.018
基于集成特征选择的盗窃案件预测方法
盗窃类案件是公安机关较为棘手的一类犯罪,呈现高发低破态势.提前预测发案情况是预防该类型犯罪的有效途径,因此对预测盗窃犯罪提出了一种以Bagging方法为基础、基于特征选择准确度和差异性双重考量的集成学习算法,根据集成学习器好而不同的原则,构造由异质基学习器集成的特征选择器,实现对影响盗窃犯罪发生因子的有效选择,使用更少维度的特征数据集提升犯罪预测的效率和准确度.实验结果表明,提出的SEFV_Bagging算法具有较好的泛化能力和稳定性,在测试数据上表现出的预测准确度也较为理想,且算法无需根据先验知识设置所选特征子集维数,在盗窃犯罪数据分析预测领域应用中有较为明显优势.
特征选择、异质基学习器、集成学习器、Bagging、犯罪预测
38
TP399(计算技术、计算机技术)
中国传媒大学工科规划项目2017XNG1601;中国传媒大学优秀创新团队培育工作基金YL1604
2018-11-22（万方平台首次上网日期，不代表论文的发表时间）
共6页
985-990
