Prognose von Wohnungseinbrchen mit Hilfe von Machine-Learning-Algorithmen

Das Buch beschftigt sich mit der Mglichkeit der Prognose von Wohnungseinbrchen mit Hilfe von Machine-Learning-Verfahren. Die Analyse beschrnkt sich auf die Fragestellung, ob nach einem erfolgten Wohnungseinbruch mit einer Nachfolgetat, den sog. Near-Repeats, zu rechnen ist. Dabei wird untersucht, welche Faktoren zu guten Prognoseergebnissen beitragen. Zur Verfgung stehen Daten zu Wohnungseinbrchen aus Baden-Wrttemberg aus den Jahren 2010 bis 2017. Ergnzt werden die polizeilichen Daten um geografische Daten, die den Tatort beschreiben. Hiermit wird geprft, ob kriminalgeografische Faktoren gute Indikatoren zur Prognose von Wohnungseinbrchen, genauer gesagt Near-Repeats, darstellen. Als Machine-Learning-Verfahren kommen die Verfahren Random Forest, XGBoost, Support Vector Machines, Neuronale Netze und ein Soft-Voting der Modelle zum Einsatz. Mit Hilfe dieser Verfahren kann eine Przision der Prognosen von ber 60% erreicht werden. Es wird auerdem erstmalig gezeigt, dass auch Prognosen fr den lndlichen Raum mglich sind.