用于预测美国凶杀案破案的可解释机器学习

目的：探索可解释机器学习 (Explainable Machine Learning) 在预测和识别美国全国及州层面已破获凶杀案驱动因素方面的潜力。方法：首先，比较九种算法以评估其在利用 Murder Accountability Project 数据全国层面预测已破获凶杀案的最佳性能。随后，使用其中最准确的算法（XGBoost）进行州层面的破案结果预测。其次，采用可解释人工智能框架 SHAP 来捕捉在国家和州层面解释破案模式的最重要特征。结果：在国家层面，XGBoost 总体表现最佳。州层面检测到显著的预测变异性。在可解释性方面，SHAP 强调了若干特征在一致预测调查结局中的相关性，包括凶杀情形、武器、受害者性别与种族，以及涉案罪犯与受害者人数。结论：可解释机器学习被证明是预测凶杀案破案的实用框架。SHAP 结果提示文献中出现的两种理论视角应更有机地整合。此外，司法管辖异质性凸显了制定专门州级策略以提升警方破案绩效的重要性。