Regresyon Yöntemlerine Dayalı Suç Tespit Analizi Karşılaştırması Elazığ İli Örneği

Yıl 2022, Cilt: 34 Sayı: 1, 115 - 121, 20.03.2022

Abdulkadir Bilen , Ahmet Bedri Özer

https://doi.org/10.35234/fumbd.973038

Cited By: 2

Öz

Ülkelerin ve toplumların önce gelen sorunlarından biri olan suçu önlemek, devletin ilk görevleri arasındadır. Bu suçların önemli bir türü siber suçtur. Siber suçlarla mücadele edebilmek için öncelikle bu suçun nasıl gerçekleştiğini ve yöntemini bilmek gerekmektedir. Siber saldırıları önceden tahmin etmek kişilerin ve kurumların uğrayacağı zararları azaltacaktır. Bu tahminleri yapabilmek için lineer regresyon, polinom regresyon, ridge regresyon ve lasso regresyon yöntemlerinden oluşan dört farklı model uygulanmıştır. Elazığ ilinde işlenen siber suçların öznitelikleri çıkarılmış ve bu dört modele dayalı tahminler yapılmıştır. Ortalama mutlak hata (MAE), ortalama kare hatası (MSE), kök ortalama kare hatası (RMSE) ve R Square değerlendirme kriterlerine göre modeller karşılaştırılmıştır. Yapılan uygulama neticesinde 0.79 doğruluk oranıyla kendi içinde en iyi yöntem polinom regresyon sonuç vermiştir. Diğer yöntemlerin başarı oranı çok düşük sonuç vermiştir. Elde edilen sonuçlar suç analizine ve suçla mücadeleye bir ön adım olacaktır.

Anahtar Kelimeler

Yapay Zeka, Regresyon, Suç Analizi, Siber Suç

Kaynakça

• [1] Kim, S., Joshi, P., Kalsi, P. S., & Taheri, P. Crime analysis through machine learning. In 2018 IEEE 9th Annual Information Technology, Electronics and Mobile Communication Conference (IEMCON) pp. 415-420. IEEE.
• [2] Yadav, S., Timbadia, M., Yadav, A., Vishwakarma, R., & Yadav, N. (2017, April). Crime pattern detection, analysis & prediction. In 2017 International conference of Electronics, Communication and Aerospace Technology (ICECA) (Vol. 1, pp. 225-230). IEEE.
• [3] Sujatha, R., S., Ezhilmaran, A. A Comparatıve Study On Predıctıon Of Crıme Patterns, International Journal of Pharmacy and Technology 2016; 8(4):5104-5117
• [4] David, H., & Suruliandi, A. (2017). Survey On Crime Analysıs And Predıctıon Usıng Data Mınıng Technıques. ICTACT journal on soft computing, 7(3).
• [5] Prabakaran, S., & Mitra, S. (2018, April). Survey of analysis of crime detection techniques using data mining and machine learning. In Journal of Physics: Conference Series (Vol. 1000, No. 1, p. 012046). IOP Publishing.
• [6] Ingilevich, V., & Ivanov, S. (2018). Crime rate prediction in the urban environment using social factors. Procedia Computer Science, 136, 472-478.
• [7] Matlhare, B., Faimau, G., & Sechele, L. Rısk Perception And Knowledge Of Cybercrıme And Its Preventıve Strategıes Among Youth At The Unıversıty Of Botswana.
• [8] Bhuriya, D., Kaushal, G., Sharma, A., & Singh, U. Stock market predication using a linear regression. In 2017 international conference of electronics, communication and aerospace technology (ICECA) 2017; Vol. 2, pp. 510-513.
• [9] Obagbuwa, I. C., & Abidoye, A. P. South Africa Crime Visualization, Trends Analysis, and Prediction Using Machine Learning Linear Regression Technique. Applied Computational Intelligence and Soft Computing, 2021.
• [10] Awal, M. A., Rabbi, J., Hossain, S. I., & Hashem, M. M. A. Using linear regression to forecast future trends in crime of Bangladesh. In 2016 5th International Conference on Informatics, Electronics and Vision (ICIEV) pp. 333-338.
• [11] Luo, J., Hong, T., & Fang, S. C. Robust regression models for load forecasting. IEEE Transactions on Smart Grid, 2008; 10(5), 5397-5404.
• [12] Qian, J., Zhu, S., Wong, W. K., Zhang, H., Lai, Z., & Yang, J. Dual robust regression for pattern classification. Information Sciences, 2021; 546, 1014-1029.
• [13] Kibria, B. M., & Banik, S. Some ridge regression estimators and their performances, 2020.
• [14] Pereira, J. M., Basto, M., & da Silva, A. F. The logistic lasso and ridge regression in predicting corporate failure. Procedia Economics and Finance, 2016; 39, 634-641.
• [15] Wang, S., Ji, B., Zhao, J., Liu, W., & Xu, T. Predicting ship fuel consumption based on LASSO regression. Transportation Research Part D: Transport and Environment, 2018; 65, 817-824.
• [16] Reid, S., Tibshirani, R., & Friedman, J. A study of error variance estimation in lasso regression. Statistica Sinica, 2016; 35-67.
• [17] Alves, L. G., Ribeiro, H. V., & Rodrigues, F. A. Crime prediction through urban metrics and statistical learning. Physica A: Statistical Mechanics and its Applications, 2018;505, 435-443.
• [18] Bilen, A., & Özer, A. B. Cyber-attack method and perpetrator prediction using machine learning algorithms. PeerJ Computer Science, 2021; 7, e475.
• [19] Yan, X., & Su, X. G. Linear regression analysis. Theory and Computing, 2003.
• [20] Ostertagová, E. Modelling using polynomial regression. Procedia Engineering, 2012; 48, 500-506.
• [21] Chen, Y. R., Rezapour, A., & Tzeng, W. G. Privacy-preserving ridge regression on distributed data. Information Sciences, 2018; 451, 34-49.
• [22] Ranstam, J., & Cook, J. A. LASSO regression. Journal of British Surgery, 2018; 105(10), 1348-1348.