犯罪分析和预防是分析和识别犯罪趋势和模式的观点。 在计算机系统出现的曙光来临时，分析师可能会帮助警惕的官员加快犯罪活动的进程。借助数据挖掘，可以从非结构化的未知数据中提取以前的有用信息。 通过数据挖掘更快地解决犯罪活动，我们采用了计算机科学和刑事司法之间的方法。 开发的模型可提供更高的准确性，并且可以检索到准确的信息。 在这种情况下，我们使用数据挖掘技术和机器学习算法来分析和预测犯罪数据。 最初未知的大量数据是从国家犯罪局的记录中收集的。 使用WEKA，预处理数据包括数据清理。 因此，应用了诸如决策树之类的分类算法。 为了预测犯罪率，应用了决策树算法。 使用不同的可视化技术查看结果并建立模型。

芝加哥犯罪分析 探索性数据分析 首先运行“数据清洁和勘探团队3.4.ipynb”笔记本，以创建final_crimes.csv文件，该笔记本对于每个其他笔记本都是必需的，因为它们每个都包含机器学习算法。 回归 我的笔记本有两个线性回归算法，分别预测每月的犯罪和逮捕人数。 分类 我的团队成员的笔记本每个都有以下分类算法之一，该算法可预测肇事者是否被捕。 逻辑回归 决策树 K最近邻居

基于ArcGis的犯罪分析 制图热点图

来自的关联规则挖掘犯罪分析的空间数据 抽象 该项目的目的是检查与美利坚合众国北卡罗来纳州夏洛特市一年内犯罪的空间分布有关的数据。 从大约60,000起犯罪中收集了数据，以及地区人口普查数据和有关商业活动的信息。 因此，我们打算将算法应用于发现变量之间的关联规则，以便寻找可用信息之间的关联。 应用知识发现过程并将过滤器应用于规则，从而仅选择具有犯罪类型的规则，因为它们与规则的相关性更高，因为它们显示出在规则的先决条件出现时，各种类型的犯罪更有可能表现出来。 酒类场所 罪案 建立 我建议使用设置虚拟环境 使用python 2.7创建环境： conda create --name crime_

从2010年至2019年美国某城市的犯罪数据集，数据集来源于网络下载。