A Survey on Crime Data Analysis Using Data Mining Techniques

[MarioAlfonso]

OBJETIVO
El objetivo de este paper es investigar técnicas de DATA MINING para reducir la tasa de delincuencia en la India. En la era moderna, a medida que la tecnología se desarrolla en mayor medida, las tasas de delincuencia están aumentando a un nivel muy amplio no solo en la India sino también en diversos países de primer al tercer mundo. Por lo tanto, estas tecnologías pueden usarse como una ayuda para reducir las tasas de criminalidad. Se utiliza el concepto de Minería de Datos (Data Mining), este se puede utilizar para agrupar los datos y analizar los diferentes subconjuntos de análisis de delitos. La agrupación es el proceso de combinar objetos de datos en grupos. Este paper consiste en importantes técnicas de minería de datos y agrupamiento de datos y su aplicación al crimen.
 
ANTECEDENTES
El avance del crimen ha aumentado en mayor medida y se está convirtiendo en un problema muy serio en muchos países. En el mundo de hoy los delincuentes y los grupos terroristas que nos amenazan poseen conocimiento de todos los métodos actuales de alta tecnología. Desarrollar una herramienta de minería de datos para el crimen análisis ayudaría a la rama del crimen a formar patrones y agrupar de manera eficiente y reducir las tasas de criminalidad. Por lo que se ha revisado diversos trabajos referentes a técnicas de minería de datos:
CLASIFICATION: La clasificación es una técnica de minería de datos que emplea un conjunto de ejemplos preclasificados para desarrollar un modelo para clasificar grandes volúmenes de data. Su principal aplicación está en detección de fraude y tarjeta de crédito servicios. Este enfoque frecuentemente emplea la clasificación basada en árboles de decisiones y redes neuronales.
CLUSTERING: El “Clustering” es la identificación de clases similares de objetos. Al usar técnicas de clustering se puede identificar regiones densas y dispersas en el espacio de objetos al descubrir la distribución general de patrones y correlaciones entre los atributos de datos. Tipos de Clustering: Partitioning methods, Hierarchical Agglomerative (divisive), methods Density based methods Grid-based methods Model-based methods
PREDICATION: La técnica de regresión se puede adaptar para la predicación. El análisis de regresión se puede usar para modelar la relación entre uno o más variables independientes y variables dependientes. En el se atribuyen variables independientes de Data Mining ya conocidas y las variables de respuesta son lo que se quiere predecir. Tipos de técnicas de asociación: Multilevel association rule, Multidimensional association rule y Quantitative association rule

A Survey on Crime Data Analysis Using Data Mining Techniques
Link: http://www.ijera.com/papers/Vol7_issue8 ... 063034.pdf