Datamining Politie Meldingen

Presentatie over: "Datamining Politie Meldingen"— Transcript van de presentatie:

1 Datamining Politie Meldingen
Universiteit van Amsterdam Datamining Politie Meldingen Lennard Kuijten Bram Stoeller Leren & Beslissen

2 Datamining Politie Meldingen
Doelstelling en Hoofdvragen Data verkennen Data herstructureren Leermodellen Resultaten Evaluatie Conclusie Doelstelling en Hoofdvragen Data verkennen Data herstructureren Leermodellen Resultaten Evaluatie Conclusie Lennard Kuijten & Bram Stoeller

3 Doelstelling en Hoofdvragen
Doelstellingen Politie Gelderland Midden Incidenten voorspellen Personeel effectiever inzetten Incidenten voorkomen of beter afhandelen Hoofdvragen Verbanden tussen incidenten? Voorspellers incidenten? Voorspellers geweldsincidenten? Doelstelling en Hoofdvragen Data verkennen Data herstructureren Leermodellen Resultaten Evaluatie Conclusie Lennard Kuijten & Bram Stoeller

4 Data verkennen Database Attributen begrijpen Hiërarchische structuur
Incidenten Weer Attributen begrijpen Hiërarchische structuur Locatie Feedback opdrachtgever Doelstelling en Hoofdvragen Data verkennen Data herstructureren Leermodellen Resultaten Evaluatie Conclusie Lennard Kuijten & Bram Stoeller

5 Data verkennen Statistische analyses Plots Verdelingen
Spreidingen / Lijsten Plots Doelstelling en Hoofdvragen Data verkennen Data herstructureren Leermodellen Resultaten Evaluatie Conclusie Lennard Kuijten & Bram Stoeller

6 Data herstructureren Attribuutselectie Recordselectie Discretiseren
Waarden  Attributen Maandata Anomalistisch (Fw) Synodisch (Schijngestalten) Doelstelling en Hoofdvragen Data verkennen Data herstructureren Leermodellen Resultaten Evaluatie Conclusie Lennard Kuijten & Bram Stoeller

7 Data herstructureren Waarden  Attributen datum incident 1 jan Geweld
Diefstal Vernieling 2 jan … datum incident Aantal 1 jan Geweld 4 Diefstal 6 Vernieling 2 2 jan 3 3 jan 1 … datum Geweld Diefstal Vernieling Voorspelling 1 jan 4 6 2 3 2 jan 1 3 jan … Doelstelling en Hoofdvragen Data verkennen Data herstructureren Leermodellen Resultaten Evaluatie Conclusie Lennard Kuijten & Bram Stoeller

8 Data herstructureren Waarden  Attributen datum incident 1 jan Geweld
Diefstal Vernieling 2 jan … datum incident Aantal 1 jan Geweld 4 Diefstal 6 Vernieling 2 2 jan 3 3 jan 1 … datum Geweld Diefstal Vernieling Voorspelling 1 jan 4 6 2 3 2 jan 1 3 jan … Doelstelling en Hoofdvragen Data verkennen Data herstructureren Leermodellen Resultaten Evaluatie Conclusie Lennard Kuijten & Bram Stoeller

9 Data herstructureren Waarden  Attributen datum incident 1 jan Geweld
Diefstal Vernieling 2 jan … datum incident Aantal 1 jan Geweld 4 Diefstal 6 Vernieling 2 2 jan 3 3 jan 1 … datum Geweld Diefstal Vernieling Voorspelling 1 jan 4 6 2 3 2 jan 1 3 jan … Doelstelling en Hoofdvragen Data verkennen Data herstructureren Leermodellen Resultaten Evaluatie Conclusie Lennard Kuijten & Bram Stoeller

10 Leermodellen Machinaal leren Overfitting Cross Validation Modellen
Wat is het? Wat kan het? Overfitting Cross Validation Modellen Naive Bayes Neuraal Netwerk (Multilayer Perceptron) Doelstelling en Hoofdvragen Data verkennen Data herstructureren Leermodellen Resultaten Evaluatie Conclusie Lennard Kuijten & Bram Stoeller

11 Resultaten Triviale verbanden Overfitting Geen correlaties
Enig resultaat Doelstelling en Hoofdvragen Data verkennen Data herstructureren Leermodellen Resultaten Evaluatie Conclusie Lennard Kuijten & Bram Stoeller

12 Resultaten Triviale Verbanden
Doelstelling en Hoofdvragen Data verkennen Data herstructureren Leermodellen Resultaten Evaluatie Conclusie Lennard Kuijten & Bram Stoeller

13 Resultaten Overfitting
Doelstelling en Hoofdvragen Data verkennen Data herstructureren Leermodellen Resultaten Evaluatie Conclusie Lennard Kuijten & Bram Stoeller

14 Resultaten Geen correlaties gevonden
Doelstelling en Hoofdvragen Data verkennen Data herstructureren Leermodellen Resultaten Evaluatie Conclusie Lennard Kuijten & Bram Stoeller

15 Resultaten Enig resultaat
Correlatie coëfficiënt = 0,11 Formule aannemelijk Waarschijnlijk false positive Praktische relevantie nihil predict = * Aandachtsvestigingen + * Aantasting veiligheid + * Conflict/bemiddeling + * Geweld + * Openbare orde + * CGem + * WKGem + * DrukGem + 4.6792 Doelstelling en Hoofdvragen Data verkennen Data herstructureren Leermodellen Resultaten Evaluatie Conclusie Lennard Kuijten & Bram Stoeller

16 Evaluatie Specifiek gericht op dagdelen / geweld Accuraatheid modellen
Daarbinnen niets gevonden Accuraatheid modellen Selectie modellen Impact op doelstellingen/hoofdvragen Triviale verbanden Geen significant voorspellers Doelstelling en Hoofdvragen Data verkennen Data herstructureren Leermodellen Resultaten Evaluatie Conclusie Lennard Kuijten & Bram Stoeller

17 Conclusie Geen verbanden binnen data aanwezig
Wel specifieke aanpak op hoofdvragen gericht Geen verbanden/voorspellers gevonden Plausibel: geen afhankelijkheden Advies toekomstig onderzoek Specifiekere (persoon)gegevens Langere termijn verbanden (trends) Doelstelling en Hoofdvragen Data verkennen Data herstructureren Leermodellen Resultaten Evaluatie Conclusie Lennard Kuijten & Bram Stoeller

18 Dit was een datamining project van Lennard Kuijten en Bram Stoeller
Universiteit van Amsterdam Dit was een datamining project van Lennard Kuijten en Bram Stoeller Universiteit van Amsterdam Politie Gelderland Midden