Незаконное проникновение на частную территорию обычно не происходит случайно, в произвольном месте и в произвольное время. На статистику проникновений влияет время года и время суток, местоположение объекта и плотность населения в соответствующем районе. В густонаселенных регионах страны закономерности, вытекающие из статистики по взлому, можно распознать с помощью методов машинного обучения, а затем спрогнозировать риск взлома в том или ином населенном пункте. Таким образом полиция может определить, где находятся «горячие точки», и организовать их патрулирование.
Однако для распознавания таких закономерностей компьютеры должны получить достаточное количество данных, которые часто отсутствуют в малонаселенных сельских районах. Исследователи из Швейцарской высшей технической школы Цюриха (ETH) разработали метод прогнозирования на базе машинного обучения, который позволяет более точно предсказывать попытки взлома даже в малонаселенных регионах.
Ученые обработали данные с помощью нескольких алгоритмов, после чего объединили результаты их обработки. Согласно пресс-релизу ETH, при вводе информации массив данных обрабатывался следующим образом: «Единицы данных, не содержащие информацию о взломе, удалялись случайным образом до тех пор, пока в массиве не появлялось равное количество единиц данных, содержащих и не содержащих информацию о взломе». Этот статистический метод известен как «случайное удаление примеров мажоритарного класса» (Random Undersampling).
Научный сотрудник ETH Кристина Кадар комментирует применение нового метода: «Даже если мы располагаем только несбалансированными данными, этот метод помогает добиться как минимум таких же хороших или, в некоторых случаях, даже лучших результатов, чем при использовании обычных методов прогнозирования в городских районах, где данные отличаются более высокой плотностью и распределяются более равномерно».
Полученные результаты представляют интерес в первую очередь для полиции. Однако, по мнению ETH, этот метод можно использовать и для прогнозирования других рисков, например, рисков здоровью и вероятности вызова скорой медицинской помощи.
