在2002年的电影《少数派报告》中短篇小说(菲利普·K·迪克)，导演史蒂文·斯皮尔伯格想象了一个未来，三个灵媒可以在谋杀发生前“看到”。他们的洞察力让汤姆·克鲁斯和他的“犯罪预防”警察部队避免了几乎所有潜在的杀人事件。

20年过去了，在现实世界中，科学家和执法机构正在使用数据挖掘和机器学习来模仿那些灵媒。这样的“预测警务它是基于这样一个事实，即许多犯罪和罪犯都有这样的经历可检测模式．

预测性警务取得了一些成功。在一个案例研究在美国，一个警察局在通常的枪支狂欢新年前夜将枪支事件减少了47%。曼彻斯特警方在英国，在推出预测措施的前10周内，预测和减少抢劫、入室盗窃和机动车盗窃的能力也达到了两位数。

预测性警务已经有了突飞猛进的进步。在过去在美国，人们不得不手动查看犯罪报告或在国家犯罪数据库中过滤。现在，在这个年代大数据，数据挖掘有了强大的计算机，这个过程可以自动化。

但是仅仅找到信息还不足以阻止犯罪。需要对数据进行分析，以发现潜在的模式和关系。科学家们利用算法和数学模型，比如模仿人类学习方式的机器学习，从现有数据中提取有用的信息和见解。

最近,我们转向18世纪提出的一种数学方法用来改进我们的方法。通过调整基于该方法的现有算法，我们显著提高了其犯罪预测率。

这一发现为在南非等资源不足的地区应用预测性警务提供了希望。这可能有助于降低犯罪水平——世界上最高的一些国家不断上升的．这个国家的警察部队似乎面临着这样的情况装备很差抑制。

结合两种不同的方法

托马斯·贝叶斯是一位英国数学家。他的著名的贝叶斯定理本质上描述了基于与该事件相关的条件的一些先验知识的事件发生的概率。今天，贝叶斯分析在人工智能、天体物理学、金融、赌博和天气预报等各个领域都很常见。我们微调了Naïve贝叶斯算法去测试一下吧作为犯罪预测者。

贝叶斯分析可以使用概率陈述来回答统计模型中未知参数的研究问题。例如，一个被指控犯罪的嫌疑人有罪的概率是多少?但深入研究——比如计算扑克牌如何展开，或者人类(尤其是有犯罪意图的人类)将如何行动——需要越来越复杂的技术和算法。

我们的研究基于Naïve贝叶斯算法或分类器，一种流行的监督机器学习算法，用于犯罪预测．

Naïve贝叶斯的前提是特征(作为输入的变量)是有条件独立的，这意味着一个特征的存在不会影响其他特征。

我们通过将Naïve贝叶斯算法与另一种称为递归特征消除．该工具有助于选择数据集中更重要的特征，并删除较弱的特征，目的是改善结果。

然后，我们将我们的巧妙算法应用于从芝加哥警察局的数据库中提取的流行实验数据集清晰的(公民执法分析和报告)系统，该系统已被用于预测和减少美国城市的犯罪。该数据集已在全球得到应用，因为它包含丰富的数据:它提供了事件级别的犯罪数据、已登记的罪犯、社区关注的问题以及城市中警察局的位置。

我们比较了我们增强的Naïve贝叶斯的结果与原始的Naïve贝叶斯的结果，以及与其他预测算法，如随机森林和极随机树(我们拥有的算法)的结果还犯罪预测)。我们发现，我们可以将Naïve贝叶斯的预测提高约30%，并且可以匹配或改进其他算法的预测。

数据和偏见

虽然我们的模型很有希望，但在将其应用于南非的情况时，有一个因素非常缺乏:数据。正如芝加哥CLEAR系统所说明的那样，当你有大量相关数据可以使用时，预测模型的工作效果最好。但南非警方历来对数据非常吝啬，可能是由于保密问题。我在我的博士研究论犯罪系列的侦查与测绘。

这种情况正在慢慢改变。我们目前正在贝尔维尔进行一个小案例研究，这是一个距离开普敦中央商务区和我们大学所在地区约20公里的郊区南非警察服务数据预测性治安。

这并不是说仅靠预测性警务就能解决南非的犯罪问题。预测算法和治安也不是没有缺陷。事实证明，即使是《少数派报告》中的通灵者，也不是没有错误的。例如，人们担心这些算法可能只会加剧种族偏见南非而且在其他地方．

但我们相信，随着技术的不断进步，预测性警务可以在增强警方的反应能力方面发挥重要作用，并可能是提高公众对警察信心的一小步。

西开普大学计算机科学系的Olasupo Ajayi博士和该系的硕士Sphamandla May先生共同撰写了这篇文章和它所基于的研究。

Omowunmi Isafiade西开普大学计算机科学高级讲师