利用回归核预测法庭缺席
应用统计
2014-09-08 v1
摘要
对潜在犯罪行为的预测长期以来是许多刑事司法决策的重要特征。现有大量证据表明，机器学习程序的分类和预测能力至少与逻辑回归相当，通常更优，而逻辑回归至今主导着常规实践。然而，机器学习程序具有适应性；它们从训练数据中进行归纳式“学习”。因此，它们通常在非常大的数据集上表现最佳。因此，需要一种具有机器学习前景且能在中小规模数据集上表现良好的预测程序。核方法正好提供了这种前景。在本文中，我们概述了回归设置中的核方法，并将一种经主成分正则化的此类方法与逐步逻辑回归进行了比较。我们将两者应用于一个及时且重要的刑事司法问题：传讯后未能出庭 (FTA)。对 FTA 的预测可能是法官决定在审判前释放被告以及影响该释放所施加条件的重要因素。预测准确性至关重要，我们的核方法预测精度远高于逐步逻辑回归。此处开发的方法已实现在目前可在 CRAN 上获取的 R 包 kernReg 中。
引用
@article{arxiv.1409.1798,
title = {Using Regression Kernels to Forecast A Failure to Appear in Court},
author = {Richard Berk and Justin Bleich and Adam Kapelner and Jaime Henderson and Geoffrey Barnes and Ellen Kurtz},
journal= {arXiv preprint arXiv:1409.1798},
year = {2014}
}
备注
43 pages, 5 figures, 2 tables, 2 appendices