Um die öffentliche Sicherheit und die persönliche Sicherheit der Bürgerinnen und Bürger zu gewährleisten, ist es notwendig, wirksame Maßnahmen zu entwickeln, um die Kriminalität zu verringern und sie in Zukunft zu verhindern. Ausgangspunkt für die Entwicklung und praktische Umsetzung einer wirksamen Strategie zur Verbrechensbekämpfung bzw. zur Verhinderung bestimmter Straftaten ist die kriminologische Prognose. Die individuelle Prognose zielt darauf ab, die Möglichkeit der Begehung einer Straftat in der Zukunft durch eine bestimmte Person oder Personengruppe zu ermitteln. Für die Risikobewertung werden traditionell maschinelle Lernmodelle verwendet. Solche Modelle liefern auch qualitative Einschätzungen bei der wissenschaftlichen Vorhersage der Wahrscheinlichkeit und Möglichkeiten der Begehung einer erneuten Straftat. Die aus der Anwendung von Algorithmen des maschinellen Lernens gewonnenen Erkenntnisse können den Justizbehörden vorausschauende Informationen liefern, die für die Entwicklung eines allgemeinen Konzepts zur Verbrechensbekämpfung unerlässlich sind.

Diese Arbeit ist die Fortsetzung einer Reihe von Studien zur Entwicklung eines optimalen Modells zur Vorhersage der Rückfälligkeit von Straftätern, das die spezifischen Merkmale des Datensatzes berücksichtigt und zuverlässige qualitative Ergebnisse liefert. In den vorangegangenen Arbeiten wurde das binäre logistische Regressionsmodell zur Vorhersage der Rückfallwahrscheinlichkeit auf der Grundlage individueller statistischer und dynamischer Merkmale der Verurteilten verwendet. Es wurden auch Entscheidungsbaum-Modelle entwickelt, um Verurteilte auf der Grundlage der Analyse ihrer Strafregister in zwei Gruppen einzuteilen: solche, die dazu neigen, in Zukunft rückfällig zu werden, und solche, die nicht dazu neigen. Ein intelligentes Scoring-Modell wurde entwickelt, um die wichtigsten Faktoren zu ermitteln, die die wahrscheinliche Neigung von Häftlingen zur Rückfälligkeit bestimmen.

In diesem Aufsatz wird die Möglichkeit erörtert, den Support Vector Machine-Algorithmus zu verwenden, um das Risiko von Straftaten von Personen zu bewerten, die eine Untersuchungshaft verbüßen. Eine Support Vector Machine (SVM) ist ein linearer maschineller Lernalgorithmus, der zur Lösung von Regressions- und Klassifikationsproblemen verwendet wird. Dieser Algorithmus hat ein breites Anwendungsspektrum und kann sowohl zur Lösung linearer als auch nichtlinearer praktischer Probleme verwendet werden. Es werden die Ergebnisse der Anwendung des Machine-Learning-Algorithmus Support Vector Machine (SVM) zur Bewertung des Rückfallrisikos von Straftaten durch Personen, die bereits in der Vergangenheit wegen einer solchen Straftat verurteilt wurden, vorgestellt. Der Datensatz bestand aus 12.000 strafrechtlichen Profilinformationen von Angeklagten in der Ukraine.

Weitere Informationen und den vollständigen Beitrag finden Sie hier.