Bu suç bölgeleri ile ilgili sosyo-ekonomik değişkenler arasındaki farklılıklar analiz edilmiş ve suç bölgelerine özgü özellikler sunulmuştur.
📌 3 Key Takeaways
🎯
Objective & Hypothesis:Suç bölgelerinin oluşturulması suçlara karşı önlemlerin alınmasında kritik öneme sahiptir.
📊
Key Findings & Data:Bu bölgelerin oluşumunda kullanılan geleneksel kümeleme yöntemleri yalnızca tek boyutta kümeleme yaparken, belirli kümeler yerine genel sonuçlar sağlar.
💡
Conclusion & Impact:Bu suç bölgeleri ile ilgili sosyo-ekonomik değişkenler arasındaki farklılıklar analiz edilmiş ve suç bölgelerine özgü özellikler sunulmuştur.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:İkili kümeleme · Bimax · Suç verisi
Özet
Suç bölgelerinin oluşturulması suçlara karşı önlemlerin alınmasında kritik öneme sahiptir. Bu bölgelerin oluşumunda kullanılan geleneksel kümeleme yöntemleri yalnızca tek boyutta kümeleme yaparken, belirli kümeler yerine genel sonuçlar sağlar. Bu çalışmada, ayrıntılı kümelerin oluşturulması için ikili kümeleme (biclustering) yöntemlerinden Bimax algoritmasının uygulanabileceği önerilmektedir. Bu yöntemle, hem suçun işlendiği bölgeler hem de suç türleri aynı anda kümelenerek suç bölgeleri oluşturulmuştur. Bu suç bölgeleri ile ilgili sosyo-ekonomik değişkenler arasındaki farklılıklar analiz edilmiş ve suç bölgelerine özgü özellikler sunulmuştur.
ALTUNKAYNAK, B., ÖRKCÜ, H. H., ARSLAN, R. (2018). Şehirlerin Suç Türlerine Göre İkili Kümeleme Yöntemi ile Gruplandırılması: Türkiye Örneği. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Cilt: 22 - Sayı: 0, 110–120. https://ajindex.com/articles/306301
Brown D.E. 1998. The Regional Crime Analysis Program (RECAP): A framework for mining data to catch criminals, IEEE, 2848-2853
Adderly, R., Musgrove, B.P. 2001. Data mining case study: Modeling the behavior of offenders who commit serious sexual assaults. KDD-‘01, Proceedings of the Seventh ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 215-220
Bruin, J.S., Cocx, T.K., Kosters, W.A., Laros,J., Kok, J.N. 2006. Data mining approaches to criminal career analysis. In Proceedings of the Sixth International Conference on Data Mining (ICDM’) (ICDM’06), 171-177
Nath, S.V. 2006. Crime pattern detection using data mining, International Conferences on Web Intelligence and Intelligent Agent Technology-Workshops, IEEE/WIC/ACM, 41-44
Oguzlar, A. 2005. A new approach to clustering analysis: Self-organizing maps. Ataturk University Journal of Economics and Administrative Sciences, 19 (2)
Tuzunturk, S. 2009. Multidimensional Scaling Analysis: An application on crime statistics, Uludag University, Journal of Economics and Administrative Sciences, 28 (2), 71-91
Cömertler, N., Kar, M. 2010. Economic and Social Determinants of the Crime Rate in Turkey: Cross-Section Analysis. Ankara University SBF Journal, 62-2
Ma, L., Chen Y., Huang, H. 2010. AK-Modes: A weighted clustering algorithm for finding similar case subsets. IEEE, 218-223
Izenman, A.J., Harris, P.W., Mennis, J., Jupin, J., Obradovic, Z. 2011. Local Spatial Biclustering and Prediction of Urban Juvenile Delinquency and Recidivism, Statistical Analysis and Data Mining, 4, 259-275
Huang, Q., Yang, F., Liu, L. Li, X. 2015a. Automatic segmentation of breast lesions for interaction in ultrasonic computer-aided diagnosis, Information Sciences, 314, 293–310
Cheng, Y., Church G.M. 2000. Biclustering of expression data. Proceedings of the Eighth International Conference on Intelligent Systems for Molecular Biology 1, 93-103
Govaert, G., Nadif, M. 2008. Block clustering with Bernoulli mixture models: Comparison of different approaches. Computational Statistics and Data Analysis, 52 (6), 3233–3245
Govaert, G., Nadif, M. 2013. Co-clustering: Models, algorithms and applications. ISTE, Wiley
Van Mechelen I, Bock H.H., De Boeck P. 2004. Two-mode clustering methods: A structured overview, Statistical Methods in Medical Research, 13 (5), 363–94
Hartigan J. A. 1972. Direct clustering of a data matrix. Journal of the American Stati