پیش بینی بازگشت به جرائم خشونت آمیز با استفاده از ترکیب شبکه عصبی کانولوشنی و ماشین بردار پشتیبان

بازگشت به جرم خشونت آمیز یکی از مهمترین چالشهای پیشروی سیستمهای عدالت کیفری در سراسر جهان است. پیش بینی دقیق احتمال بازگشت به جرم می تواند نقش مهمی در بهبود تصمیم گیریهای قضایی، تعیین وثیقه، صدور احکام، برنامه ریزی برای بازپروری مجرمان و تخصیص منابع ایفا کند. به ویژه در مورد جرائم خشونت آمیز که تهدید جدی برای امنیت عمومی محسوب می شوند، نیاز به مدل های پیش بینی دقیق و قابل اعتماد بیش از پیش احساس می شود. در این پژوهش یک مدل ترکیبی مبتنی بر شبکه عصبی کانولوشنی و ماشین بردار پشتیبان برای پیش بینی بازگشت به جرائم خشونت آمیز ارائه شده است. ایده اصلی مدل پیشنهادی استفاده از قدرت شبکه عصبی کانولوشنی در استخراج ویژگی های پیچیده و غیرخطی از داده های ورودی و بهره گیری از قابلیت بالای ماشین بردار پشتیبان در ایجاد مرزهای تصمیم گیری دقیق برای طبقه بندی است. مجموعه داده مورد استفاده در این تحقیق داده های سامانه مدیریت پروفایل مجرمان و ارزیابی مجازات جایگزین است که شامل اطلاعات جمعیت شناختی، سوابق کیفری، ویژگی های رفتاری و متغیرهای مرتبط با زندانیان است. پس از پیش پردازش داده ها شامل پاکسازی، نرمال سازی و تبدیل متغیرهای دستی به داده های عددی، داده ها به مدل پیشنهادی اعمال گردید. معماری شبکه عصبی کانولوشنی برای استخراج ویژگی های چندبعدی طراحی شد و لایه های تمام متصل خروجی را به طبقه بندی کننده ماشین بردار پشتیبان منتقل کردند. برای جلوگیری از بیش برازش از تکنیک هایی مانند توقف زودهنگام و حذف تصادفی نورون ها استفاده شد. نتایج ارزیابی نشان داد که مدل پیشنهادی توانسته است به دقت کلی ۹۴ درصد، شاخص زیر منحنی برابر با ۹۹ درصد، دقت پیش بینی بالا و یادآوری قابل توجه دست یابد.

کلیدواژه ها:

جرائم خشونت آمیز ، یادگیری ماشین ، شبکه عصبی کانولوشنی ، ماشین بردار پشتیبان