4. แอพลิเคชันการทดสอบของวิธีการเชื่

4. แอพลิเคชัน
การทดสอบของวิธีการเชื่อมโยงข้อมูล เราใช้วิธีตาม outlier สมาคมปัญหากับการชุดข้อมูลอาชญากรรมจริง ชุดข้อมูลประกอบด้วยข้อมูลเกี่ยวกับปัญหาการปล้นที่เกิดในปี 1998 ในริชมอนด์ VA ชุดข้อมูลประกอบด้วยสองส่วน: ชุดข้อมูลเหตุการณ์และชุดข้อมูลสงสัย ชุดข้อมูลเหตุการณ์มีระเบียน 1198 ชั่วคราว พื้นที่ และ MO ข้อมูลถูกเก็บไว้ในฐานข้อมูลการแก้ไขปัญหา ชื่อ (หากมี), ความสูง และข้อมูลน้ำหนักของผู้ต้องสงสัยจะถูกบันทึกในฐานข้อมูลสงสัย เราใช้วิธีการของเรากับชุดข้อมูลเหตุการณ์ และใช้ชุดข้อมูลสงสัยสำหรับการตรวจสอบ

เราเลือกปล้นในการศึกษานี้ด้วยเหตุผลสองประการ: ครั้งแรก เมื่อเทียบกับการก่ออาชญากรรมที่รุนแรงเช่นฆาตกรรมทำร้ายทางเพศ ประจำการโจรกรรมเกิดขึ้นบ่อย และสอง เทียบกับ entering และแบ่งอาชญากรรม ปล้นเหตุการณ์เพิ่มเติม "แก้ไข" (จับกุมอาชญากร) หรือ "บางส่วนแก้ไข" (ชื่อของผู้มีชื่อเสียง) จุดเหล่านี้สองทำโจรกรรมทางเลือกที่ดีสำหรับวัตถุประสงค์การประเมิน

4.1 การเลือกแอททริบิวต์
เราใช้สามชนิดของแอตทริบิวต์ในการวิเคราะห์ของเรา ชุดแรกของแอตทริบิวต์ประกอบด้วยคุณลักษณะ MO 6 MOs มักจะใช้ในการศึกษาความสัมพันธ์ปัญหาอาชญากรรม ชุดสองของแอตทริบิวต์ประกอบด้วยลักษณะประชากร (ประชากรได้รับจากซีดีสำนึกในไลบรารีของมหาวิทยาลัยเวอร์จิเนีย) ลักษณะประชากรให้เหมาะกับลักษณะของอาชญากรได้ ตัวอย่าง อาชญากรบางต้องการโจมตีพื้นที่ "ร่ำรวย" สุดท้าย เรารวมลักษณะการทำงานระยะทางในการวิเคราะห์ของเรา แอตทริบิวต์ระยะทางมีระยะห่างจากสถานที่เกิดเหตุการปริภูมิสถาน โรงเรียนหรือทางหลวงสำคัญ จากคุณลักษณะมีความสำคัญในการวิเคราะห์เนื่องจากอาจเป็นตัวแทนของลักษณะพื้นที่ของอาชญากร อาชญากรบางคนเริ่มโจมตีจากที่เป่าเฉพาะระยะนั้นไม่มีใครสามารถดูพวกเขาในระหว่างการโจมตี และพวกเขาสามารถออกฉากอาชญากรรมโดยเร็วที่สุดหลังจากการโจมตี ชื่อและคำอธิบายของคุณลักษณะเหล่านี้มีในภาคผนวกเอ แอตทริบิวต์เหล่านี้ก็ยังใช้ในการศึกษาก่อนหน้านี้คาดการณ์ entering และแบ่งอาชญากรรม [8]

เราทำกระบวนการเลือกแอททริบิวต์ในแอตทริบิวต์ตัวเลขทั้งหมด (ประชากร และห่างจากแอตทริบิวต์) ก่อนที่จะใช้วิธีเชื่อมโยงข้อมูลตาม outlier เราไม่ได้นี้เนื่องจากคุณลักษณะบางอย่างกำลัง analytically ความซ้ำซ้อนนี้ทำอัลกอริทึมความสัมพันธ์ในแง่ของประสิทธิภาพและความถูกต้อง เราใช้อัลกอริทึมระบบคลัสเตอร์จะรับแอตทริบิวต์ โดยเฉพาะ เราใช้สัมประสิทธิ์สหสัมพันธ์เป็นการวัดที่คล้ายคลึง หรือมีแอตทริบิวต์ที่สองปิด แล้ว เราจับกลุ่มแอททริบิวต์เป็นจำนวนกลุ่มตามการวัดความคล้ายคลึงกันนี้ แอตทริบิวต์ในกลุ่มเดียวกันได้เหมือนกัน และไม่แตกต่างจากแอตทริบิวต์ในกลุ่มอื่น ๆ สำหรับแต่ละกลุ่มหรือคลัสเตอร์ เรารับแอตทริบิวต์ตัวแทนของคลัสเตอร์ ชุดสุดท้ายของแอตทริบิวต์พนักงานทั้งหมดที่ถือจับลักษณะสำคัญของชุดข้อมูล ใช้วิธีคล้ายกันในอ้างอิง [28]

เราจ้าง k medoid ระบบคลัสเตอร์อัลกอริทึมในขั้นตอนระบบคลัสเตอร์การเลือกแอททริบิวต์ (รายละเอียดเพิ่มเติมเกี่ยวกับคลัสเตอร์อัลกอริทึมในการรวมคลัสเตอร์ medoid k ดูอ้างอิง [16]) เหตุผลที่เราเบิก k medoid คลัสเตอร์ได้เนื่องจากจะมีแนวโน้มกลับกลุ่มทรงกลม และให้ medoid (มัธยฐานกรณีขนาดสูง) สำหรับแต่ละกลุ่ม ใช้ medoids เหล่านี้ เราสามารถเลือกแอททริบิวต์พนักงาน

ชุดข้อมูลในโปรแกรมประยุกต์นี้ เราพบคลัสเตอร์สามที่แสดงในรูปเงาดำลง [23] ใน Fig. 1

รูปภาพขนาดเต็ม (28 K)
Fig. 1
ผลของ k-medoid คลัสเตอร์
ตัวเลือกรูป
ในชุดข้อมูลในโปรแกรมประยุกต์นี้ เราใช้ของอัลกอริทึมที่พบ medoids สามต่อไปนี้: HUNT_DST (อยู่อาศัยความหนาแน่นหน่วย) ENRL3_DST (โรงเรียนลงทะเบียนความหนาแน่น), และ TRAN_PC (ค่าใช้จ่ายในการเดินทาง: ต่อ capita) เราได้ปรับปรุงบางอย่าง เราแทน ENRL3_DST ด้วยแอตทริบิวต์อื่น POP3_DST (ความหนาแน่นประชากร: อายุ 12 – 17) เหตุผลว่า POP3_DST มีความคล้ายคลึงกับ ENRL3_DST (มีสัมประสิทธิ์สหสัมพันธ์ > 90%) และมีความหมายมากในอาชญาวิทยา คนในช่วงอายุนี้มีแนวโน้มที่จะถูกโจมตีและผู้ประสบภัย เหตุผลคล้ายกัน เราเปลี่ยน TRAN_PC กับ MHINC (มัธยฐานรายได้ในครัวเรือน)

มีทั้งหมดเก้าแอตทริบิวต์ที่ใช้ในการวิเคราะห์ของเรา: 6 MO คุณลักษณะ (แตก) และแอททริบิวต์เลขที่สามที่รับ โดยใช้ขั้นตอนการเลือกแอททริบิวต์ เนื่องจากวิธีการของเราได้รับการพัฒนาบนแอตทริบิวต์แน่ชัด เราแปลงแอตทริบิวต์เป็นตัวเลขแน่ชัดโดยให้แบ่งช่อง 11 ขนาดเท่ากัน หมายเลขถูกกำหนด โดยจำนวนของ Sturge ของช่องกฎ [32] และ [33]

4.2 เกณฑ์การประเมิน
เราพิจารณาข้อมูลในฐานข้อมูลสงสัยเป็น "ผลจริง" มีจำนวนเหตุการณ์ที่ 170 มีระบุ

ผลลัพธ์ (ไทย) 1:

4. แอพลิเคชันการทดสอบของวิธีการเชื่อมโยงข้อมูลเราใช้วิธีตาม outlier สมาคมปัญหากับการชุดข้อมูลอาชญากรรมจริงชุดข้อมูลประกอบด้วยข้อมูลเกี่ยวกับปัญหาการปล้นที่เกิดในปี 1998 ในริชมอนด์ VA ชุดข้อมูลประกอบด้วยสองส่วน: ชุดข้อมูลเหตุการณ์และชุดข้อมูลสงสัยชุดข้อมูลเหตุการณ์มีระเบียน 1198 ชั่วคราวพื้นที่และ MO ข้อมูลถูกเก็บไว้ในฐานข้อมูลการแก้ไขปัญหาชื่อ (หากมี), ความสูงและข้อมูลน้ำหนักของผู้ต้องสงสัยจะถูกบันทึกในฐานข้อมูลสงสัยเราใช้วิธีการของเรากับชุดข้อมูลเหตุการณ์และใช้ชุดข้อมูลสงสัยสำหรับการตรวจสอบเราเลือกปล้นในการศึกษานี้ด้วยเหตุผลสองประการ: ครั้งแรกเมื่อเทียบกับการก่ออาชญากรรมที่รุนแรงเช่นฆาตกรรมทำร้ายทางเพศประจำการโจรกรรมเกิดขึ้นบ่อยและสองเทียบกับจุดเหล่านี้สองทำโจรกรรมทางเลือกที่ดีสำหรับวัตถุประสงค์การประเมินและแบ่งอาชญากรรมปล้นเหตุการณ์เพิ่มเติม "สิทธิการได้" (จับกุมอาชญากร) หรือ "บางส่วนแก้ไข" (ชื่อของผู้มีชื่อเสียง) การป้อน4.1 การเลือกแอททริบิวต์เราใช้สามชนิดของแอตทริบิวต์ในการวิเคราะห์ของเราชุดแรกของแอตทริบิวต์ประกอบด้วยคุณลักษณะ MO 6 MOs มักจะใช้ในการศึกษาความสัมพันธ์ปัญหาอาชญากรรมชุดสองของแอตทริบิวต์ประกอบด้วยลักษณะประชากร (ประชากรได้รับจากซีดีสำนึกในไลบรารีของมหาวิทยาลัยเวอร์จิเนีย) ลักษณะประชากรให้เหมาะกับลักษณะของอาชญากรได้ตัวอย่างอาชญากรบางต้องการโจมตีพื้นที่ "ร่ำรวย" สุดท้ายเรารวมลักษณะการทำงานระยะทางในการวิเคราะห์ของเราแอตทริบิวต์ระยะทางมีระยะห่างจากสถานที่เกิดเหตุการปริภูมิสถานโรงเรียนหรือทางหลวงสำคัญจากคุณลักษณะมีความสำคัญในการวิเคราะห์เนื่องจากอาจเป็นตัวแทนของลักษณะพื้นที่ของอาชญากรอาชญากรบางคนเริ่มโจมตีจากที่เป่าเฉพาะระยะนั้นไม่มีใครสามารถดูพวกเขาในระหว่างการโจมตีและพวกเขาสามารถออกฉากอาชญากรรมโดยเร็วที่สุดหลังจากการโจมตีชื่อและคำอธิบายของคุณลักษณะเหล่านี้มีในภาคผนวกเอแอตทริบิวต์เหล่านี้ก็ยังใช้ในการศึกษาก่อนหน้านี้คาดการณ์ใส่และแบ่งอาชญากรรม [8]เราไม่ได้นี้เนื่องจากคุณลักษณะบางอย่างกำลังเราทำกระบวนการเลือกแอททริบิวต์ในแอตทริบิวต์ตัวเลขทั้งหมด (ประชากรและห่างจากแอตทริบิวต์) ก่อนที่จะใช้วิธีเชื่อมโยงข้อมูลตาม outlier analytically ความซ้ำซ้อนนี้ทำอัลกอริทึมความสัมพันธ์ในแง่ของประสิทธิภาพและความถูกต้องเราใช้อัลกอริทึมระบบคลัสเตอร์จะรับแอตทริบิวต์โดยเฉพาะเราใช้สัมประสิทธิ์สหสัมพันธ์เป็นการวัดที่คล้ายคลึงหรือมีแอตทริบิวต์ที่สองปิดแล้วเราจับกลุ่มแอททริบิวต์เป็นจำนวนกลุ่มตามการวัดความคล้ายคลึงกันนี้แอตทริบิวต์ในกลุ่มเดียวกันได้เหมือนกันและไม่แตกต่างจากแอตทริบิวต์ในกลุ่มอื่นๆ สำหรับแต่ละกลุ่มหรือคลัสเตอร์เรารับแอตทริบิวต์ตัวแทนของคลัสเตอร์ชุดสุดท้ายของแอตทริบิวต์พนักงานทั้งหมดที่ถือจับลักษณะสำคัญของชุดข้อมูลใช้วิธีคล้ายกันในอ้างอิง [28]เราจ้าง k medoid ระบบคลัสเตอร์อัลกอริทึมในขั้นตอนระบบคลัสเตอร์การเลือกแอททริบิวต์ (รายละเอียดเพิ่มเติมเกี่ยวกับคลัสเตอร์อัลกอริทึมในการรวมคลัสเตอร์ medoid k ดูอ้างอิง [16]) เหตุผลที่เราเบิก k medoid คลัสเตอร์ได้เนื่องจากจะมีแนวโน้มกลับกลุ่มทรงกลมและให้ medoid (มัธยฐานกรณีขนาดสูง) สำหรับแต่ละกลุ่มใช้ medoids เหล่านี้เราสามารถเลือกแอททริบิวต์พนักงานชุดข้อมูลในโปรแกรมประยุกต์นี้เราพบคลัสเตอร์สามที่แสดงในรูปเงาดำลง [23] ใน Fig. 1รูปภาพขนาดเต็ม (28 K)Fig. 1ผลของ k medoid คลัสเตอร์ตัวเลือกรูปในชุดข้อมูลในโปรแกรมประยุกต์นี้เราใช้ของอัลกอริทึมที่พบ medoids สามต่อไปนี้: HUNT_DST (อยู่อาศัยความหนาแน่นหน่วย) ENRL3_DST (โรงเรียนลงทะเบียนความหนาแน่น), และ TRAN_PC (ค่าใช้จ่ายในการเดินทาง: เศรษฐกิจฟิลิปปินส์จึงต่อ) เราได้ปรับปรุงบางอย่างเราแทน ENRL3_DST ด้วยแอตทริบิวต์อื่น POP3_DST (ความหนาแน่นประชากร: อายุ 12 – 17) เหตุผลว่า POP3_DST มีความคล้ายคลึงกับ ENRL3_DST (มีสัมประสิทธิ์สหสัมพันธ์ > 90%) และมีความหมายมากในอาชญาวิทยาคนในช่วงอายุนี้มีแนวโน้มที่จะถูกโจมตีและผู้ประสบภัยเหตุผลคล้ายกันเราเปลี่ยน TRAN_PC ดื่มด่ำ MHINC (มัธยฐานรายได้ในครัวเรือน)มีทั้งหมดเก้าแอตทริบิวต์ที่ใช้ในการวิเคราะห์ของเรา: 6 MO คุณลักษณะ (แตก) และแอททริบิวต์เลขที่สามที่รับโดยใช้ขั้นตอนการเลือกแอททริบิวต์เนื่องจากวิธีการของเราได้รับการพัฒนาบนแอตทริบิวต์แน่ชัดเราแปลงแอตทริบิวต์เป็นตัวเลขแน่ชัดโดยให้แบ่งช่อง 11 ขนาดเท่ากันหมายเลขถูกกำหนดโดยจำนวนของ Sturge ของช่องกฎ [32] และ [33]4.2 เกณฑ์การประเมินเราพิจารณาข้อมูลในฐานข้อมูลสงสัยเป็น "ผลจริง" มีจำนวนเหตุการณ์ที่ 170 มีระบุ

ผลลัพธ์ (ไทย) 2:

4
เราใช้วิธีตามขอบเขต 1998 ในริชมอนด์เวอร์จิเนียชุดข้อมูลประกอบด้วยสองส่วน: ชุดข้อมูลเหตุการณ์มีระเบียน 1198 ชั่วคราวพื้นที่และ MO ชื่อ (หากมี), ความสูง ครั้งแรก ประจำการโจรกรรมเกิดขึ้นบ่อยและสองเทียบกับเข้าและแบ่งอาชญากรรมปล้นเหตุการณ์เพิ่มเติม "แก้ไข" (จับกุมอาชญากร) หรือ "บางส่วนแก้ไข" (ชื่อของผู้มีชื่อเสียง) MO 6 MOS ตัวอย่างอาชญากรบางต้องการโจมตีพื้นที่ "ร่ำรวย" สุดท้าย โรงเรียนหรือทางหลวงสำคัญ เข้ามาและแบ่งอาชญากรรม (ประชากรและห่างจากแอตทริบิวต์) ค่าผิดปกติ วิเคราะห์ โดยเฉพาะ หรือมีแอตทริบิวต์ที่สองปิดแล้ว ๆ สำหรับแต่ละกลุ่มหรือคลัสเตอร์ ใช้วิธีคล้ายกันในอ้างอิง [28] เราจ้าง k medoid medoid k ดูอ้างอิง [16]) เหตุผลที่เราเบิก k medoid และให้ medoid (มัธยฐานกรณีขนาดสูง) สำหรับแต่ละกลุ่มใช้ medoids เหล่านี้ [23] ในรูป 1 รูปภาพขนาดเต็ม (28 K) รูป 1 ผลของ k-medoid เราใช้ของอัลกอริทึมที่พบ medoids สามต่อไปนี้: HUNT_DST (อยู่อาศัยความหนาแน่นหน่วย) ENRL3_DST (โรงเรียนลงทะเบียนความหนาแน่น) และ TRAN_PC (ค่าใช้จ่ายในการเดินทาง: ต่อหัว) เราได้ปรับปรุงบางอย่าง เราแทน ENRL3_DST ด้วยแอตทริบิวต์อื่น POP3_DST (ความหนาแน่นประชากร: อายุ 12-17) เหตุผลว่า POP3_DST มีความคล้ายคลึงกับ ENRL3_DST (มีสัมประสิทธิ์สหสัมพันธ์> 90%) และมีความหมายมากในอาชญาวิทยา เหตุผลคล้ายกันเราเปลี่ยน TRAN_PC กับ MHINC 6 MO คุณลักษณะ (แตก) และแอททริบิวต์เลขที่สามที่รับโดยใช้ขั้นตอนการเลือกแอททริบิวต์ 11 ขนาดเท่ากันหมายเลขถูกกำหนดโดยจำนวนของ Sturge ของช่องกฎ [32] และ [33] 4.2 "ผลจริง" มีจำนวนเหตุการณ์ที่ 170 มีระบุ

ผลลัพธ์ (ไทย) 3:

4 . แอพลิเคชัน
การทดสอบของวิธีการเชื่อมโยงข้อมูลเราใช้วิธีตามค่าสมาคมปัญหากับการชุดข้อมูลอาชญากรรมจริงชุดข้อมูลประกอบด้วยข้อมูลเกี่ยวกับปัญหาการปล้นที่เกิดในปี 1998 ในริชมอนด์ VA ชุดข้อมูลประกอบด้วยสองส่วน :ชุดข้อมูลเหตุการณ์และชุดข้อมูลสงสัยชุดข้อมูลเหตุการณ์มีระเบียน 1198 ชั่วคราวพื้นที่และโมข้อมูลถูกเก็บไว้ในฐานข้อมูลการแก้ไขปัญหาชื่อ ( หากมี )ความสูงและข้อมูลน้ำหนักของผู้ต้องสงสัยจะถูกบันทึกในฐานข้อมูลสงสัยเราใช้วิธีการของเรากับชุดข้อมูลเหตุการณ์และใช้ชุดข้อมูลสงสัยสำหรับการตรวจสอบ

เราเลือกปล้นในการศึกษานี้ด้วยเหตุผลสองประการ :ครั้งแรกเมื่อเทียบกับการก่ออาชญากรรมที่รุนแรงเช่นฆาตกรรมทำร้ายทางเพศประจำการโจรกรรมเกิดขึ้นบ่อยและสองเทียบกับเข้าและแบ่งอาชญากรรมปล้นเหตุการณ์เพิ่มเติม " แก้ไข " ( จับกุมอาชญากร ) ค็อค " บางส่วนแก้ไข "จุดเหล่านี้สองทำโจรกรรมทางเลือกที่ดีสำหรับวัตถุประสงค์การประเมิน
การเลือกแอททริบิวต์

.เราใช้สามชนิดของแอตทริบิวต์ในการวิเคราะห์ของเราชุดแรกของแอตทริบิวต์ประกอบด้วยคุณลักษณะโม 6 MOS มักจะใช้ในการศึกษาความสัมพันธ์ปัญหาอาชญากรรมชุดสองของแอตทริบิวต์ประกอบด้วยลักษณะประชากรลักษณะประชากรให้เหมาะกับลักษณะของอาชญากรได้ตัวอย่างอาชญากรบางต้องการโจมตีพื้นที่ " ร่ำรวย " สุดท้ายเรารวมลักษณะการทำงานระยะทางในการวิเคราะห์ของเราโรงเรียนหรือทางหลวงสำคัญจากคุณลักษณะมีความสำคัญในการวิเคราะห์เนื่องจากอาจเป็นตัวแทนของลักษณะพื้นที่ของอาชญากรอาชญากรบางคนเริ่มโจมตีจากที่เป่าเฉพาะระยะนั้นไม่มีใครสามารถดูพวกเขาในระหว่างการโจมตีชื่อและคำอธิบายของคุณลักษณะเหล่านี้มีในภาคผนวกเอแอตทริบิวต์เหล่านี้ก็ยังใช้ในการศึกษาก่อนหน้านี้คาดการณ์เข้าและแบ่งอาชญากรรม [ 8 ]

เราทำกระบวนการเลือกแอททริบิวต์ในแอตทริบิวต์ตัวเลขทั้งหมด ( ประชากรและห่างจากแอตทริบิวต์ ) ก่อนที่จะใช้วิธีเชื่อมโยงข้อมูลตามเราไม่ได้นี้เนื่องจากคุณลักษณะบางอย่างกำลังวิเคราะห์ค่าเราใช้อัลกอริทึมระบบคลัสเตอร์จะรับแอตทริบิวต์โดยเฉพาะเราใช้สัมประสิทธิ์สหสัมพันธ์เป็นการวัดที่คล้ายคลึงหรือมีแอตทริบิวต์ที่สองปิดแล้วแอตทริบิวต์ในกลุ่มเดียวกันได้เหมือนกันและไม่แตกต่างจากแอตทริบิวต์ในกลุ่มอื่นจะสำหรับแต่ละกลุ่มหรือคลัสเตอร์เรารับแอตทริบิวต์ตัวแทนของคลัสเตอร์ใช้วิธีคล้ายกันในอ้างอิง [ 28 ]

เราจ้าง K medoid ระบบคลัสเตอร์อัลกอริทึมในขั้นตอนระบบคลัสเตอร์การเลือกแอททริบิวต์ ( รายละเอียดเพิ่มเติมเกี่ยวกับคลัสเตอร์อัลกอริทึมในการรวมคลัสเตอร์ medoid K ดูอ้างอิง [ 16 ] ) K medoid เหตุผลที่เราเบิก