美国警察致命枪击事件分析与预测

我们相信“人人生而平等”。随着媒体报告的警察枪击事件增多，美国更多人认为警察在执法中过度使用武力，尤其针对特定群体。我们希望应用多维统计分析揭示比单调主流媒体更多的事实。本文分为三部分。首先，我们提出一种量化主流媒体（包括 CNN、FOX、ABC 和 NBC）致命警察枪击新闻报道偏差的新方法。其次，我们分析了华盛顿邮报最全面的美国致命警察枪击数据集。我们使用 FP-growth 揭示频繁模式，并使用 DBSCAN 聚类发现致命枪击热点。我们引入多属性（社会经济、人口统计、政治倾向、教育、枪支拥有率、警察训练时长等）以揭示冰山下的关联。我们发现一州的警察枪击率取决于诸多变量。最相关的四个属性为加入联邦年份、州土地面积、枪支拥有率和暴力犯罪率。第三，我们提出四种回归模型以预测州一级的警察枪击率。最佳模型 Kstar 能以约 88.53% 的相关系数预测致命警察枪击率。我们还提出分类模型，包括 Gradient Boosting Machine、Multi-class Classifier、Logistic Regression 和 Naive Bayes Classifier，以预测致命警察枪击受害者的种族。我们的分类模型未显示出显著证据可断定 WP 数据集记录的致命警察枪击中存在种族歧视。