机器学习模型在预测服刑人员再犯罪危险性中的效用分析

doi:10.3969/j.issn.1000-1565.2017.04.015机器学习模型在预测服刑人员

河北大学学报(自然科学版) ›› 2017, Vol. 37 ›› Issue (4): 426-433.DOI: 10.3969/j.issn.1000-1565.2017.04.015机器学习模型在预测服刑人员

机器学习模型在预测服刑人员再犯罪危险性中的效用分析

马国富,王子贤,马胜利

收稿日期:2016-11-04 出版日期:2017-07-25 发布日期:2017-07-25
作者简介:马国富(1974—),男,河北保定人,中央司法警官学院副教授,主要从事信息安全、机器学习方向研究. E-mail:magf2003@126.com
基金资助:
教育部人文社会科学研究规划基金项目(14YJAZH055);中央司法警官学院青年教师学术创新团队资助项目

Analysis of the effectiveness of machine learning model in predicting the risk of inmates

MA Guofu,WANG Zixian,MA Shengli

Department of Information Management, the National PoliceUniversity for Criminal Justice, Baoding 071000, China

Received:2016-11-04 Online:2017-07-25 Published:2017-07-25

摘要/Abstract

摘要： 通过对国内外服刑人员的危险性及其再犯罪评估现状梳理,发现基于量表的传统服刑人员危险性评估工具的适应性和精确性越来越受到挑战.由数据和参数驱动的机器学习模型可以不断地进行自学习,从而不断地提高模型的适用性和精确性.首先对LR(logistic regression)、CART(classification and regression tree)、CHAID(chi-squared automatic interaction detection)、MLPNN(multi-layer perceptron neural network)4个常见的分类机器学习模型进行了介绍;在此基础上以2004年美国司法统计局(BJS)对服刑人员的调查(SISFCF)数据作为数据源,用灵敏率、特效率、准确率和AUC等评价指标对这4个模型进行了效用评估;最后对4个模型的预测能力进行比较.

关键词: 机器学习, 预测, 再犯罪, 危险性评估

Abstract: By analyzing the current situation of risk assessment of inmate at home and abroad, we find that the adaptability and accuracy of the traditional risk assessment tool of inmate based on the scale is being in creasingly challenged.However,the machine learning model driven by the data and parameter can be self learning,so as to continuously improve the applicability and accuracy of the model.Firstly, the paper introduces the four common machine learning models of LR, CART, CHAID and MLPNN; then,using the 2004 survey of inmates in state and federal correctional facilities(SISFCF)as the data source, the four models were evaluated by the sensitivity, specificity, accuracy, AUC and other evaluating indicators;finally, the predictive ability of the four models are compared.

Key words: machine learning, prediction, recidivism, risk assessment

中图分类号:

TP393.08

马国富,王子贤,马胜利. 机器学习模型在预测服刑人员再犯罪危险性中的效用分析[J]. 河北大学学报(自然科学版), 2017, 37(4): 426-433.

MA Guofu,WANG Zixian,MA Shengli. Analysis of the effectiveness of machine learning model in predicting the risk of inmates[J]. Journal of Hebei University (Natural Science Edition), 2017, 37(4): 426-433.

0
/ / 推荐

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://xbzrb.hbu.edu.cn/CN/10.3969/j.issn.1000-1565.2017.04.015机器学习模型在预测服刑人员

https://xbzrb.hbu.edu.cn/CN/Y2017/V37/I4/426

参考文献

[1] DAN W,BEECH A,BLACKER H F M J.Actuarial risk assessment and recidivism in a sample of UK intellectually disabled sexual offenders[J].Journal of Sexual Aggression,2009,15(1):97-106.DOI:10.1080/13552600802578577.
[2] WIJK L, EDELBRING S, SVENSSON A, et al.A pilot for a computer-based simulation system for risk estimation and treatment of mentally disordered offenders[J].Informatics for Health& Social Care,2009,34(2):106-115.DOI:/10.1080/17538150903014395.
[3] KELLY R,HELEN L M.The effect of training on the quality of HCR-20 violence risk Assessments in forensic secure services[J].Journal of Forensic Psychiatry&Psychology,2009, 20(3):473-480.DOI:10.1080/14789940802638366.
[4] GRANT D W.The development,validity and reliability of the minnesota screening tool assessing recidivism risk[J].Criminal Justice Policy Review,2014,25(5):579-613.DOI:10.11-77/0887403413478821.
[5] ZENGY J M,USTUNY B,RUDIN C.Interpretable classification models for recidivism prediction[EB/OL] (2015-03-30)[2016-8-16].http://arxiv.org/pdf/1503.07810v2.pdf.
[6] HAMILTON Z,NEUILLY M A,LEE S,et al.Isolating modeling effects in offender risk assessment[J].Journal of Experimental Criminology,2015, 11(2):299-318.DOI:10.1007/s11292-014-9221-8.
[7] HOCHSTETLER A, PETERS D J, DELISI M.Classifying risk development and predicting parolee recidivism with growth mixture models[J].American Journal of Criminal Justice,2016,41(3):602-620.DOI:10.1007/s12103-015-93-208.
[8] DUWE G, KIM K D.Out with the old and in with the new An empirical comparison of supervised learning algorithms to predict recidivism[J].Criminal Justice Policy Review,2015,41(9):1-31.DOI:10.1177/0887403415604899.
[9] 胡庆生.行刑方式的文明进步-上海市积极拓展社区矫治新空间[N].法制日报,2003-08-04(8).
[10] 黄兴瑞,孔一,曾贇.再犯预测研究-对浙江罪犯再犯可能性的实证分析[J].犯罪与改造研究,2004(8):8-13. HUANG X R,KONG Y,ZENG Y.Prediction of recidivism-empirical analysis of the possibility of recidivism in Zhejiang[J].Research on crime and transformation,2004(8):8-13.
[11] 邬庆祥.刑释人员人身危险性的测评研究[J].心理科学,2005,28(1):222-224.DOI:10.16719/j.cnki.1671- 6981.2005.01.063. WU Q X.A research on the appraisal of the personal dangerousness of persons released after completion of a sentence[J].Psychological Science,2005,28(1):222-224.DOI:10.16719/j.cnki.1671-6981.2005.01.063.
[12] 周志华.机器学习[M].北京:清华大学出版社,2016.
[13] 曾赟.服刑人员刑满释放前重新犯罪风险预测研究[J].法学评论,2011(6):131-137.DOI:10.13415/j.cnki.fxpl.2011.06.003. ZENG Y.Prediction of risk of redivism before the offenders released from prison[J].Law Review,2011(6):131-137. DOI:10.13415/j.cnki.fxpl.2011.06.003.
[14] 孔一,黄兴瑞.刑释人员再犯风险评估量表(RRAI)研究[J].中国刑事法杂志,2011(10):91-106. KONG Y,HUANG X R.Study of recidivism risk assessment list for released offenders[J].Journal of Chinese criminal law,2011(10):91-106.
[15] 丁传庆,鲁兰,任军,等.中国监狱罪犯分类理论与实务研究[J].刑事法评论,2015(1):636-652. DING C Q,LU L,REN J.Research on the theory and practice of the classification of prison criminals in china[J].Criminal law review,2015(1):636-652.
[16] WITTEN I H,FRANK E,HALL M A.数据挖掘:实用机器学习工具与技术(原书第3版)[M].北京:机械工业出版社,2014.a.m.
[17] 李航.统计学习方法[M].北京:清华大学出版社,2015.
[18] FELLOW S T, LEESE M.A green-fingered approach can improve the clinical utility of violence risk assessment tools[J].Criminal Behaviour & Mental Health,2003,13(3):153-158.DOI: 10.1002/cbm.538.
[19] 杨友星.CHAID 算法并行化及其在信用风险分析中的应用[D].长春:长春工业大学,2016. YANG Y X.CHAID Algorithm parallelization and application in credit risk analysis[D].Changchun:Changchun University of Technology,2016.
[20] GOTTFREDSON S D, MORIARTY L J.Statistical risk assessment: old problems and new applications[J]. Crime&Delinquency, 2006, 52(52):178-200.DOI: 10.1177/0011128705281748.
[21] HAN J W,KAMBER M, PEI J.数据挖掘概念与技术(第3版)[M].北京:机械工业出版社,2015.

机器学习模型在预测服刑人员再犯罪危险性中的效用分析

Analysis of the effectiveness of machine learning model in predicting the risk of inmates

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	张宇帆,刘菁菁,曹敏,刘彤彤,陈雪,张秀敏. 白色放线动孢菌 DSM 45114^T rpf基因的克隆表达及结构预测[J]. 河北大学学报(自然科学版), 2022, 42(4): 411-420.
[2]	梁家豪,唐予军,王霞. 输入延迟系统的切换伪预测镇定控制器[J]. 河北大学学报(自然科学版), 2022, 42(3): 314-320.
[3]	黄元生,田立霞,孙仕泽,邓佳佳,赵恒凤. 基于改进支持向量机的轨道交通光伏发电预测[J]. 河北大学学报(自然科学版), 2021, 41(3): 238-244.
[4]	程亮,戴天,董子健. 基于预测自适应的永磁同步电机无传感器控制[J]. 河北大学学报(自然科学版), 2021, 41(2): 119-125.
[5]	陈凤新,蒙彦良,陈名清,张风娟. 外来入侵动物在中国的分布格局及增长预测[J]. 河北大学学报(自然科学版), 2020, 40(6): 637-646.
[6]	苏丹丹,李浩东,尹延周,李志远,苏建文. 改进的永磁同步电机模型预测直接转矩控制策略[J]. 河北大学学报(自然科学版), 2020, 40(6): 666-672.
[7]	杨三强,段士超,刘娜,吴浩楠. 黄土质高填方路基沉降变形与预测[J]. 河北大学学报(自然科学版), 2020, 40(5): 454-460.
[8]	翟俊海, 田石, 张素芳, 王谟瀚, 宋丹丹. 基于MapReduce和Spark的大数据模糊K-means算法比较[J]. 河北大学学报(自然科学版), 2020, 40(4): 433-440.
[9]	刘历波,裴彧,裴同松. 灰色-马尔科夫模型在桥梁运营状况预测中的应用[J]. 河北大学学报(自然科学版), 2019, 39(1): 11-17.
[10]	张素芳, 翟俊海, 王聪, 沈矗, 赵春玲. 大数据与大数据机器学习[J]. 河北大学学报(自然科学版), 2018, 38(3): 299-308.
[11]	刘照. 基于期望值简约的模糊非线性回归[J]. 河北大学学报(自然科学版), 2018, 38(1): 99-104.
[12]	翟俊海,张素芳,郝璞. 卷积神经网络及其研究进展[J]. 河北大学学报(自然科学版), 2017, 37(6): 640-651.
[13]	郭子雪,韩瑞,齐美然. 基于多元模糊回归的应急物资需求预测模型[J]. 河北大学学报(自然科学版), 2017, 37(4): 337-342.
[14]	司文静,封喜波,耿立艳,张占福. 基于ADPSO算法优化LSSVM的高速公路交通量预测方法[J]. 河北大学学报(自然科学版), 2017, 37(3): 302-308.
[15]	马国富,王子贤,马胜利. 基于大数据的服刑人员危险性预测[J]. 河北大学学报(自然科学版), 2016, 36(6): 657-666.