Ein Ansatz des überwachten Lernens für die Identifizierung von Straftätern

Data-Mining-Tools sind der beste Ansatz für die Identifizierung von Kriminellen auf der Grundlage von Merkmalen und der Art des Verbrechens. In diesem Buch haben wir einen überwachten Ansatz zur Identifizierung der verdächtigen Liste von Kriminellen mit Hilfe von Ähnlichkeitsmaßen und dem K-Medoids-Cluster-Algorithmus vorgeschlagen. Der K-Medoids-Clusteralgorithmus gruppiert die enger verwandten Straftaten zu einer individuellen Gruppe, und jede Gruppe hat einen einzigartigen Satz von Merkmalen. Die eindeutigen Merkmale werden zur Identifizierung von Straftätern mit Hilfe von Ähnlichkeitsalgorithmen auf der Grundlage von Distanzmaßen verwendet. Das vorgeschlagene System besteht aus zwei Phasen, der Trainings- und der Testphase. Bei diesem Ansatz haben wir das vorgeschlagene System mit einem überwachten Datensatz trainiert, der Informationen über Verbrechen an verschiedenen Orten in Tamil Nadu enthält, die über online verfügbare Daten gesammelt wurden. In der Testphase wird zunächst der Cluster identifiziert, der dem Testverbrechen am nächsten liegt, indem der K-Medoids-Clusteralgorithmus verwendet wird, und dann die Liste der verdächtigen Verbrecher mit Hilfe eines Ähnlichkeitsmaßes identifiziert. Die erste Phase der Implementierung und Analyse des vorgeschlagenen Systems liefert gute Ergebnisse und eine hohe Genauigkeit. Das vorgeschlagene Verfahren wird mit dem verwandten K-Means-Clustering-Algorithmus mit demselben Satz von Trainings- und Testinstanzen verglichen.

Autorentext

Ha conseguito la laurea e la laurea specialistica in Informatica presso l'Università Madurai Kamaraj, Madurai, ha completato il dottorato di ricerca nel campo dell'Informatica presso l'Università Alagappa, Karaikudi, e ora lavora come professore assistente presso il Dipartimento di Informatica, Direzione dell'Istruzione a Distanza, Università Madurai Kamaraj.