De presentatie wordt gedownload. Even geduld aub

De presentatie wordt gedownload. Even geduld aub

Lennard Kuijten Bram Stoeller Lennard Kuijten Bram Stoeller U NIVERSITEIT VAN A MSTERDAM.

Verwante presentaties


Presentatie over: "Lennard Kuijten Bram Stoeller Lennard Kuijten Bram Stoeller U NIVERSITEIT VAN A MSTERDAM."— Transcript van de presentatie:

1 Lennard Kuijten Bram Stoeller Lennard Kuijten Bram Stoeller U NIVERSITEIT VAN A MSTERDAM

2  Doelstelling en Hoofdvragen  Data verkennen  Data herstructureren  Leermodellen  Resultaten  Evaluatie  Conclusie Lennard Kuijten & Bram Stoeller2 Doelstelling en Hoofdvragen Data verkennen Data herstructureren Leermodellen Resultaten Evaluatie Conclusie

3  Doelstellingen Politie Gelderland Midden Incidenten voorspellen Personeel effectiever inzetten Incidenten voorkomen of beter afhandelen  Hoofdvragen Verbanden tussen incidenten? Voorspellers incidenten? Voorspellers geweldsincidenten? Lennard Kuijten & Bram Stoeller3 Doelstelling en Hoofdvragen Data verkennen Data herstructureren Leermodellen Resultaten Evaluatie Conclusie

4  Database Incidenten Weer  Attributen begrijpen  Hiërarchische structuur Locatie Incidenten  Feedback opdrachtgever Lennard Kuijten & Bram Stoeller4 Doelstelling en Hoofdvragen Data verkennen Data herstructureren Leermodellen Resultaten Evaluatie Conclusie

5  Statistische analyses Verdelingen Spreidingen / Lijsten  Plots Lennard Kuijten & Bram Stoeller5 Doelstelling en Hoofdvragen Data verkennen Data herstructureren Leermodellen Resultaten Evaluatie Conclusie

6  Attribuutselectie  Recordselectie  Discretiseren  Waarden  Attributen  Maandata Anomalistisch (F w ) Synodisch (Schijngestalten) Lennard Kuijten & Bram Stoeller6 Doelstelling en Hoofdvragen Data verkennen Data herstructureren Leermodellen Resultaten Evaluatie Conclusie

7 datumincident 1 janGeweld 1 janDiefstal 1 janVernieling 1 janDiefstal 1 janDiefstal 1 janGeweld 1 janGeweld 1 janDiefstal 1 janDiefstal 1 janVernieling 1 janDiefstal 1 janGeweld 2 janGeweld 2 janDiefstal …… Lennard Kuijten & Bram Stoeller7 datumincidentAantal 1 janGeweld4 1 janDiefstal6 1 janVernieling2 2 janGeweld3 2 janDiefstal6 2 janVernieling3 3 janGeweld1 ……… Doelstelling en Hoofdvragen Data verkennen Data herstructureren Leermodellen Resultaten Evaluatie Conclusie datumGeweldDiefstalVernielingVoorspelling 1 jan jan jan1……… …………… Waarden  Attributen

8 datumincident 1 janGeweld 1 janDiefstal 1 janVernieling 1 janDiefstal 1 janDiefstal 1 janGeweld 1 janGeweld 1 janDiefstal 1 janDiefstal 1 janVernieling 1 janDiefstal 1 janGeweld 2 janGeweld 2 janDiefstal …… Lennard Kuijten & Bram Stoeller8 datumincidentAantal 1 janGeweld4 1 janDiefstal6 1 janVernieling2 2 janGeweld3 2 janDiefstal6 2 janVernieling3 3 janGeweld1 ……… Doelstelling en Hoofdvragen Data verkennen Data herstructureren Leermodellen Resultaten Evaluatie Conclusie datumGeweldDiefstalVernielingVoorspelling 1 jan jan jan1……… …………… Waarden  Attributen

9 datumincident 1 janGeweld 1 janDiefstal 1 janVernieling 1 janDiefstal 1 janDiefstal 1 janGeweld 1 janGeweld 1 janDiefstal 1 janDiefstal 1 janVernieling 1 janDiefstal 1 janGeweld 2 janGeweld 2 janDiefstal …… Lennard Kuijten & Bram Stoeller9 datumincidentAantal 1 janGeweld4 1 janDiefstal6 1 janVernieling2 2 janGeweld3 2 janDiefstal6 2 janVernieling3 3 janGeweld1 ……… Doelstelling en Hoofdvragen Data verkennen Data herstructureren Leermodellen Resultaten Evaluatie Conclusie datumGeweldDiefstalVernielingVoorspelling 1 jan jan jan1……… …………… Waarden  Attributen

10  Machinaal leren Wat is het? Wat kan het?  Overfitting  Cross Validation  Modellen Naive Bayes Neuraal Netwerk (Multilayer Perceptron) Lennard Kuijten & Bram Stoeller10 Doelstelling en Hoofdvragen Data verkennen Data herstructurerenLeermodellen Resultaten Evaluatie Conclusie

11  Triviale verbanden  Overfitting  Geen correlaties  Enig resultaat Lennard Kuijten & Bram Stoeller11 Doelstelling en Hoofdvragen Data verkennen Data herstructureren LeermodellenResultaten Evaluatie Conclusie

12 Lennard Kuijten & Bram Stoeller12 Doelstelling en Hoofdvragen Data verkennen Data herstructureren LeermodellenResultaten Evaluatie Conclusie

13 Lennard Kuijten & Bram Stoeller13 Doelstelling en Hoofdvragen Data verkennen Data herstructureren LeermodellenResultaten Evaluatie Conclusie

14 Lennard Kuijten & Bram Stoeller14 Doelstelling en Hoofdvragen Data verkennen Data herstructureren LeermodellenResultaten Evaluatie Conclusie Geen correlatieCorrelatie

15 Lennard Kuijten & Bram Stoeller15 predict = * Aandachtsvestigingen * Aantasting veiligheid * Conflict/bemiddeling * Geweld * Openbare orde * CGem * WKGem * DrukGem predict = * Aandachtsvestigingen * Aantasting veiligheid * Conflict/bemiddeling * Geweld * Openbare orde * CGem * WKGem * DrukGem  Correlatie coëfficiënt = 0,11  Formule aannemelijk  Waarschijnlijk false positive  Praktische relevantie nihil Doelstelling en Hoofdvragen Data verkennen Data herstructureren LeermodellenResultaten Evaluatie Conclusie

16  Specifiek gericht op dagdelen / geweld Daarbinnen niets gevonden  Accuraatheid modellen  Selectie modellen  Impact op doelstellingen/hoofdvragen Triviale verbanden Geen significant voorspellers Lennard Kuijten & Bram Stoeller16 Doelstelling en Hoofdvragen Data verkennen Data herstructureren Leermodellen ResultatenEvaluatie Conclusie

17  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) Lennard Kuijten & Bram Stoeller17 Doelstelling en Hoofdvragen Data verkennen Data herstructureren Leermodellen Resultaten EvaluatieConclusie

18 U NIVERSITEIT VAN A MSTERDAM Dit was een datamining project van Lennard Kuijten en Bram Stoeller Universiteit van Amsterdam Politie Gelderland Midden


Download ppt "Lennard Kuijten Bram Stoeller Lennard Kuijten Bram Stoeller U NIVERSITEIT VAN A MSTERDAM."

Verwante presentaties


Ads door Google