Please enable JavaScript.
Coggle requires JavaScript to display documents.
資料探勘技術(110考題), 犯罪分析研究, T1整體族群 (以年齡、教育程度分類), 犯罪巨量分析常使用之犯罪理論 - Coggle…
資料探勘技術(110考題)
迴歸分類樹(決策樹)
主旨
Classification And Regression Tree CART
適用在
資料庫龐大
、
自變數目眾多
，且
相互作用與迴規模式皆未知的情況
，符合本研究需求
意義
是以樹狀結構將巨量資料庫分割為
同質分類(同一性質分為一區)
。分析多應用於
分群
，
選擇影響因子與建立預測模式
樹狀結構是以一筆資料從根部的節點進入決策樹，
在根部應用一項決策，來決定資料進入下一層的哪一個子節點
，分類過程會一直重複，直到達到葉部節點。
優點
提高
運算效率與正確性
，並具備
操作容易
、
容易理解
等特性
目的
求
同一子集合的資料最相似
，決策樹的節點會選擇能將變異數降低最多(提高純度)的變數
關聯性分析
三個主要概念
信心
可靠度confidence
當某
先決條件X
發生下，
對應結果Y發生
的機率
提升
度lift
信心可靠度的互補指標
，評估
XY同時出現與Y出現的機率
，避免高估其關聯性
支持
度support
建立關聯性原則的
第一指標
，透過
設定最小門檻值
，
篩選出頻繁組合
記憶法
有支持才能讓信心提升
意義
探討巨量資料中
變數間相互連結程度
(彼此有關聯性在，發生結果有無關聯)
應用
因爲根據犯罪學原理：犯罪
非隨機分布
，而是
高度集中
在
少數特定的人群、地點或標的
針對高犯罪風險之累犯，利用其
犯罪紀錄串連
刑事警察局刑案資料庫、內政部入出境資料、法務部毒品成癮資料等
相關資料庫
，
透過1.犯罪行為分類，與2.計算不同犯罪類型之關聯，預測其未來可能發展之犯罪趨勢
例如，因為不同犯罪類型彼此高度關聯(住宅竊盜犯亦是汽機車竊盜犯、毒品犯)，如此可預先擬定案件偵防作為，依關聯性，鎖定轄區內可疑嫌疑人，以達到犯罪預防成效
結論
適用在
1.資料庫龐大
、
2.自變數目眾多
，
3.且相互作用與迴規模式皆未知
的情況
大量、異質化及多元的資料庫中，
快速找出資料關聯性或特性
，藉由資料探勘技術，
整合現有多元資料庫
，並以證據導向進行方案建議
雖然資料探勘可以處理大量資料，且快速有效，仍
須使用傳統統計方法為輔
，
雖然資料探勘的預測力佳，但解釋度不進理想
的缺點
隨機森林
以分類樹
為基礎但較進階
的方法
先利用
抽樣
的概念，
隨機抽取樣本與變數
，同時
建立大量分類樹
；更有效率、更準確
像是，同時
向多位
犯罪學家詢問問題，在
整合其看法
，結論較為
客觀
最後
結果
需要
包括所有分類樹結果
所以節點變項若是
連續數值
，例如年紀就
以平均值為結果
若變數為
類別變數
，則會
以多數決定
資料探勘之用處
協助
定義犯罪手法
、
犯嫌特性
與
鎖定連續犯案
者
重要資料探勘技術包括：預測、分類、視覺化、迴歸、叢集分析(clustering)與偵測極端值(outliner detection)
犯罪分析研究
實體萃取舉證entity extraction
從
圖片、影片、文字自動辨識
可疑人犯、地址、車輛或人物
特徵等有效證據
，
進而協助鑑識犯罪
例如，網路犯罪利用軟體
分析駭客病毒之程式碼
，或網路詐騙之
相似度
，來定義犯嫌與集團；但此類分析技巧取決於資料的質與量
叢聚分析clustering analysis
將類似的犯嫌歸類在一起
，原理是將組
間
差異
最大化
及組
內
差異
最小化
例如，把犯案手法相似的案件，定為同一嫌犯所為；或是依照特性區隔不同犯罪組織，如財產犯罪執法機關，利用銀行交易資料，定義洗錢或財務詐騙等犯罪
關聯性法則associate rules
例如，分析犯嫌
網路瀏覽紀錄
，預測駭客攻擊風險；應用於
受刑人犯案紀錄
，分析未來再犯機率與期程，可用於假釋評估時使用
依序樣式法則
sequential pattern mining
分析
具有時間或先後順序
的資料，所需資料大、高度結構化且計算更複雜，但能得到更準確有時效之預測結果
極端值預測outlier detection
與其他資料相比
，定義出
變異過大的極端值
例如，偵查詐欺(轉帳金額暴增)、駭客攻擊(消費行為改變)等；但
犯罪行為不夠明顯(如小額盜刷)
可能
無法完全偵測
分類樹classification
用來尋
找不同案件之主要特性
，並將
其分類
；但遺失的資料會影響建立犯罪預測分類樹的正確性
例如，利用口語特性或文字架構，定義出垃圾或病毒郵件；用來預測犯罪趨勢和定義嫌疑人
文本分析text mining
用來
比對文字
，例如姓名、地址與身分證號碼
使用於警察筆錄或口供中用字之相似性與關聯性；或輸入法院判決書對各類犯案或特定嫌犯進行分析
社交網絡social network
定義嫌疑人之
人際網路與扮演角色
可觀察到實體與虛擬
的貨物流動或資訊關係
，藉此偵測出隱藏的組織犯罪領導者
T1整體族群
(以年齡、教育程度分類)
年齡大於X
T3子節點
教育程度大於等於Y
T5子節點
教育程度小於Y
T4子節點
年齡小於等於X
T2子節點
犯罪巨量分析常使用之犯罪理論
微觀分析 :
一般化犯罪理論(赫序與高佛森)
犯罪或偏差行為會在青少年中期達到高峰，然後因為兵役(高度社會化環境)等因素急遽下降，但只有自我控制不會隨著年齡而變化，終其一生都難以改變。犯罪之所以下降是因為外在的因素所導致
兩分類犯罪人理論(莫菲)
分為一生都會持續犯罪的「生活周期持續性犯罪人」、及只會在青少年時間犯罪的「侷限於青少年時期犯罪人」
巨觀分析
無規範理論(涂爾幹)
社區共同規範的減弱與喪失
(社會解組)是導致犯罪的主要因素(人口流動率、離婚率等)
緊張理論(莫爾頓)
社經地位的差異與壓力
(低收入戶人口、失業率等)