基于集成特征选择的盗窃案件预测方法

盗窃类案件是公安机关较为棘手的一类犯罪，呈现高发低破态势.提前预测发案情况是预防该类型犯罪的有效途径，因此对预测盗窃犯罪提出了一种以Bagging方法为基础、基于特征选择准确度和差异性双重考量的集成学习算法，根据集成学习器好而不同的原则，构造由异质基学习器集成的特征选择器，实现对影响盗窃犯罪发生因子的有效选择，使用更少维度的特征数据集提升犯罪预测的效率和准确度.实验结果表明，提出的SEFV_Bagging算法具有较好的泛化能力和稳定性，在测试数据上表现出的预测准确度也较为理想，且算法需根据先验知识设置所选特征子集维数，在盗窃犯罪数据分析预测领域应用中有较为明显优势