基于机器学习的社会安全风险分析研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景及研究意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 论文主要研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 2 基于机器学习的社会安全风险分析方法 | 第16-30页 |
| 2.1 机器学习模型 | 第16-25页 |
| 2.1.1 K近邻 | 第16-17页 |
| 2.1.2 朴素贝叶斯 | 第17-19页 |
| 2.1.3 线性回归 | 第19-20页 |
| 2.1.4 逻辑回归 | 第20-21页 |
| 2.1.5 支持向量机 | 第21页 |
| 2.1.6 决策树 | 第21-22页 |
| 2.1.7 XGBoost | 第22-23页 |
| 2.1.8 随机森林 | 第23页 |
| 2.1.9 Facebook prophet | 第23-24页 |
| 2.1.10 W-Apriori | 第24-25页 |
| 2.2 数据处理方法 | 第25-28页 |
| 2.2.1 非数值特征转换 | 第25-26页 |
| 2.2.2 特征工程 | 第26页 |
| 2.2.3 不平衡数据处理 | 第26-28页 |
| 2.2.4 数据集划分 | 第28页 |
| 2.3 性能评价方法 | 第28-30页 |
| 3 基于机器学习的盗窃犯罪风险分析 | 第30-39页 |
| 3.1 基于接处警信息的盗窃前科人员分类预测 | 第30-35页 |
| 3.1.1 数据集介绍及数据预处理 | 第30-33页 |
| 3.1.2 实验及结果分析 | 第33-35页 |
| 3.2 基于机器学习的盗窃前科人员犯罪风险分析 | 第35-39页 |
| 3.2.1 数据集及数据预处理 | 第35-36页 |
| 3.2.2 结果分析 | 第36-39页 |
| 4 基于机器学习的恐怖袭击事件风险分析 | 第39-53页 |
| 4.1 基于脆弱国家指数的恐怖袭击发生风险分析 | 第39-46页 |
| 4.1.1 数据集介绍 | 第39-41页 |
| 4.1.2 实验及结果分析 | 第41-46页 |
| 4.2 基于Prophet的恐怖袭击概率风险分析 | 第46-49页 |
| 4.2.1 数据集及数据预处理 | 第46页 |
| 4.2.2 实验及结果分析 | 第46-49页 |
| 4.3 基于机器学习的恐怖袭击后果分析 | 第49-53页 |
| 4.3.1 数据集及数据预处理 | 第49-50页 |
| 4.3.2 结果分析 | 第50-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-60页 |
| 在学研究成果 | 第60-61页 |
| 致谢 | 第61页 |
