Une approche d'apprentissage supervisé pour l'identification criminelle

Les outils d'exploration de données sont la meilleure approche pour l'identification des criminels basée sur les caractéristiques et la nature du crime. Dans cet ouvrage, nous avons proposé une approche supervisée pour l'identification de la liste des suspects en utilisant la mesure de similarité et l'algorithme de regroupement K-Medoids. L'algorithme de clustering K-Medoids regroupe les crimes les plus proches comme un groupe individuel et chaque groupe aura un ensemble unique de caractéristiques. L'ensemble des caractéristiques uniques est utilisé pour l'identification des criminels en utilisant des algorithmes de mesure de similarité basés sur la mesure de distance. Le système proposé comporte deux phases, la phase de formation et la phase de test. Dans cette approche, nous avons formé le système proposé à l'aide d'un ensemble de données supervisées avec des informations sur les crimes collectées dans différents endroits du Tamil Nadu grâce à des données disponibles en ligne. Dans la phase de test, nous identifions d'abord le groupe le plus proche du crime testé en utilisant l'algorithme de regroupement K-Medoids, puis nous identifions la liste des criminels suspects en utilisant la mesure de similarité. La phase initiale de mise en ¿uvre et d'analyse du schéma proposé fournit de bons résultats et une grande précision. Le schéma proposé est comparé à l'algorithme de clustering K-Means connexe avec le même ensemble d'instances de formation et de test.