机器学习模型在预测服刑人员再犯罪危险性中的效用分析

马国富，王子贤，马胜利

(中央司法警官学院 信息管理系,河北 保定 071000)

机器学习模型在预测服刑人员再犯罪危险性中的效用分析

马国富，王子贤，马胜利

(中央司法警官学院 信息管理系,河北 保定 071000)

通过对国内外服刑人员的危险性及其再犯罪评估现状梳理，发现基于量表的传统服刑人员危险性评估工具的适应性和精确性越来越受到挑战.由数据和参数驱动的机器学习模型可以不断地进行自学习，从而不断地提高模型的适用性和精确性.首先对LR(logistic regression)、CART(classification and regression tree)、CHAID(chi-squared automatic interaction detection)、MLPNN(multi-layer perceptron neural network)4个常见的分类机器学习模型进行了介绍；在此基础上以2004年美国司法统计局(BJS)对服刑人员的调查(SISFCF)数据作为数据源，用灵敏率、特效率、准确率和AUC等评价指标对这4个模型进行了效用评估；最后对4个模型的预测能力进行比较.

机器学习；预测；再犯罪；危险性评估

新形势下，监狱职能发生了重大变化，对服刑人员的科学性和精准性教育改造和监管，需要更深入、更全面的掌握服刑人员的相关信息，这势必给监狱有限的警力造成更大的负担.随着监狱信息化建设在监狱的深入推进，监狱积累了大量的数据，因此，利用数据分析、数据挖掘、模式识别、机器学习等大数据技术，从监狱信息资源库、安防等系统及服刑人员的在监日常行为中收集服刑人员相关数据并整合成数据集，然后进行分析，提取模式和规律，建立模型来对服刑人员的再犯罪危险性进行模式识别、分类和预测，从而将有限……