一種監(jiān)犯風(fēng)險(xiǎn)評(píng)估的區(qū)間模糊vikor算法

一種監(jiān)犯風(fēng)險(xiǎn)評(píng)估的區(qū)間模糊vikor算法

1監(jiān)犯風(fēng)險(xiǎn)評(píng)估常用的定性定量方法存在的問題近年來，公共危機(jī)和風(fēng)險(xiǎn)的預(yù)防和控制越來越受政府和公眾的關(guān)注。作為國(guó)家刑事執(zhí)行機(jī)關(guān)，監(jiān)獄將罪犯逮捕在法律適用中，包括被判處無(wú)辜監(jiān)禁和監(jiān)禁的嚴(yán)重囚犯。它是公共安全風(fēng)險(xiǎn)最集中的地方，也是最需要加強(qiáng)監(jiān)督管理和監(jiān)管風(fēng)險(xiǎn)的行政機(jī)構(gòu)。為吸取各類監(jiān)獄安全事故的沉痛教訓(xùn),中國(guó)多個(gè)省監(jiān)獄系統(tǒng)明確要求必須抓緊建立監(jiān)獄安全風(fēng)險(xiǎn)危機(jī)管理機(jī)制目前監(jiān)犯風(fēng)險(xiǎn)評(píng)估主要方法有問卷調(diào)查法(1)定性定量方法的結(jié)果較為模糊,缺乏可識(shí)別性。即其結(jié)果體現(xiàn)了某位監(jiān)犯在服刑期鬧事的可能性,但不能體現(xiàn)其可能犯事的行為類型,如發(fā)生暴力行為或自殺行為等,這使得管理人員即使知道監(jiān)犯存在風(fēng)險(xiǎn)也無(wú)法進(jìn)行針對(duì)性預(yù)防管理。(2)現(xiàn)有研究未考慮監(jiān)獄背景下評(píng)價(jià)者的主觀判斷模糊性。監(jiān)犯風(fēng)險(xiǎn)指標(biāo)的標(biāo)注多為0-1型,而監(jiān)獄背景下評(píng)價(jià)者對(duì)監(jiān)犯的主觀判斷存在很大的模糊性,0-1型標(biāo)注不但無(wú)法體現(xiàn)模糊性,還無(wú)法體現(xiàn)不同監(jiān)犯在相關(guān)特征上的個(gè)體差異,從而導(dǎo)致標(biāo)注失真。標(biāo)注是評(píng)價(jià)過程的數(shù)據(jù)基礎(chǔ),失真會(huì)導(dǎo)致評(píng)價(jià)結(jié)果準(zhǔn)確性降低。(3)指標(biāo)定權(quán)方法已不適應(yīng)現(xiàn)有監(jiān)犯風(fēng)險(xiǎn)評(píng)估需求。定性定量方法需要制定指標(biāo)以及指標(biāo)定權(quán),但傳統(tǒng)方法制定的指標(biāo)及權(quán)值難以適應(yīng)不同監(jiān)獄。不同監(jiān)獄背景下監(jiān)犯風(fēng)險(xiǎn)的影響因素不同,其權(quán)值自然也不盡相同。針對(duì)問題(1),本文提出監(jiān)犯特征風(fēng)險(xiǎn)這一概念,包括暴力型、心理問題型、教唆型和缺乏辨識(shí)型4種風(fēng)險(xiǎn)類型,將監(jiān)犯的4類風(fēng)險(xiǎn)特征的程度作為評(píng)估目標(biāo)。針對(duì)問題(2),將一種多屬性決策方法區(qū)間模糊VIKOR(ViseKriterijumskaIKompromisnoOptimizacijaResenje)2基于模糊性的評(píng)估醉酒風(fēng)險(xiǎn)的方法2.1監(jiān)犯風(fēng)險(xiǎn)評(píng)估流程本文方法思路如圖1所示。流程圖中第二部分引入監(jiān)犯特征風(fēng)險(xiǎn)概念,此方法主要解決風(fēng)險(xiǎn)評(píng)估結(jié)果缺乏可識(shí)別性的問題。將傳統(tǒng)方法中對(duì)單一風(fēng)險(xiǎn)的預(yù)測(cè)轉(zhuǎn)換為對(duì)4項(xiàng)具體的風(fēng)險(xiǎn)類型的預(yù)測(cè)。對(duì)劃分后的特征分別進(jìn)行標(biāo)注,再進(jìn)行預(yù)測(cè)建模,其評(píng)估結(jié)果能夠體現(xiàn)某監(jiān)犯的不同風(fēng)險(xiǎn)類型的程度,便于管理人員進(jìn)行針對(duì)性管理。第二部分引入改進(jìn)的區(qū)間模糊VIKOR算法,以優(yōu)化標(biāo)注集準(zhǔn)確性。4類風(fēng)險(xiǎn)特征無(wú)法通過歷史數(shù)據(jù)量化,需要綜合專家判斷以提高準(zhǔn)確性與真實(shí)性,而多屬性決策(Multi-AttributeDecision-Making,MADM)方法可以結(jié)合不充分的歷史數(shù)據(jù)與專家判斷,通過對(duì)標(biāo)注集排序計(jì)算風(fēng)險(xiǎn)值第三部分用機(jī)器學(xué)習(xí)算法旨在解決指標(biāo)定權(quán)難以統(tǒng)一的問題。機(jī)器學(xué)習(xí)算法能夠根據(jù)數(shù)據(jù)訓(xùn)練建模,從而產(chǎn)生適合此數(shù)據(jù)集的相關(guān)參數(shù),避免統(tǒng)一定權(quán)的問題。不同監(jiān)獄可根據(jù)自身關(guān)押的監(jiān)犯的數(shù)據(jù)產(chǎn)生適合本監(jiān)獄的模型,還能根據(jù)參數(shù)判斷本監(jiān)獄影響監(jiān)犯風(fēng)險(xiǎn)的關(guān)鍵因素。本研究的監(jiān)犯風(fēng)險(xiǎn)評(píng)估流程如下:(1)進(jìn)行數(shù)據(jù)預(yù)處理,篩選出可能影響監(jiān)犯風(fēng)險(xiǎn)的數(shù)據(jù)項(xiàng),并劃分為待標(biāo)注數(shù)據(jù)集(訓(xùn)練集與測(cè)試集)和評(píng)估效果驗(yàn)證集。其中,待標(biāo)注數(shù)據(jù)集是從原數(shù)據(jù)集中隨機(jī)選取的213位監(jiān)犯數(shù)據(jù)集,用于訓(xùn)練模型;評(píng)估效果驗(yàn)證集指從剩余數(shù)據(jù)集中選取的帶有“處遇等級(jí)”標(biāo)簽的660位監(jiān)犯數(shù)據(jù)集,用于驗(yàn)證模型有效性。“處遇等級(jí)”作為判斷監(jiān)犯是否犯事的依據(jù),用于模型評(píng)估效果驗(yàn)證。(2)組織4位監(jiān)獄專家對(duì)待標(biāo)注數(shù)據(jù)集中監(jiān)犯的特征風(fēng)險(xiǎn)分別進(jìn)行0-1區(qū)間模糊性標(biāo)注,然后利用區(qū)間模糊VIKOR計(jì)算標(biāo)注集,以監(jiān)犯的4類特征風(fēng)險(xiǎn)為決策屬性,以不同評(píng)價(jià)者對(duì)監(jiān)犯的評(píng)價(jià)作為決策對(duì)象,其排序第一的評(píng)價(jià)方案是每位監(jiān)犯最符合實(shí)際的特征標(biāo)注,之后將結(jié)果轉(zhuǎn)化為可訓(xùn)練數(shù)據(jù)集。(3)考慮各機(jī)器學(xué)習(xí)算法對(duì)不同風(fēng)險(xiǎn)特征的適應(yīng)性不同,且各監(jiān)犯?jìng)€(gè)人的特征類型相互獨(dú)立,故運(yùn)用多種機(jī)器學(xué)習(xí)算法對(duì)處理后的訓(xùn)練集各風(fēng)險(xiǎn)特征分別進(jìn)行訓(xùn)練建模,以擬合優(yōu)度最高的模型為各特征最終評(píng)估模型,通過此模型可根據(jù)監(jiān)犯數(shù)據(jù)評(píng)估所有監(jiān)犯的4項(xiàng)特征風(fēng)險(xiǎn)。(4)將訓(xùn)練好的綜合監(jiān)犯特征風(fēng)險(xiǎn)評(píng)估模型用于評(píng)估效果驗(yàn)證集,評(píng)估模型的泛化性。同時(shí)將已有研究成果應(yīng)用于同一驗(yàn)證集,與本文模型對(duì)比。2.2監(jiān)犯特征評(píng)估的意義大量事實(shí)表明,監(jiān)獄風(fēng)險(xiǎn)事件具有明顯特征以往對(duì)監(jiān)犯的危險(xiǎn)性評(píng)估都建立在單一危險(xiǎn)性上,即評(píng)估此監(jiān)犯做出危害事件的風(fēng)險(xiǎn)性,但無(wú)法識(shí)別其所犯風(fēng)險(xiǎn)事件類型。經(jīng)文獻(xiàn)研究以及與業(yè)內(nèi)專家交流,本文將監(jiān)犯的危險(xiǎn)性分為4類傾向,分別是暴力型、心理問題型、教唆他人型、缺乏辨識(shí)型。不同監(jiān)犯的4類特征之間具有相關(guān)性。將單一監(jiān)犯風(fēng)險(xiǎn)劃分為4類監(jiān)犯特征風(fēng)險(xiǎn)具有重大意義:(1)多類特征是引入多屬性決策(MADM)方法解決風(fēng)險(xiǎn)評(píng)估問題的模型基礎(chǔ)。區(qū)間模糊VIKOR算法以4類特征風(fēng)險(xiǎn)傾向作為犯人決策屬性,以不同專家對(duì)每個(gè)犯人4類傾向的區(qū)間模糊打分作為決策方案。傳統(tǒng)單一風(fēng)險(xiǎn)無(wú)法構(gòu)成多屬性,無(wú)法引入MADM。(2)特征間相互獨(dú)立是改進(jìn)區(qū)間模糊VIKOR算法的理論基礎(chǔ)。監(jiān)犯?jìng)€(gè)體的4類特征之間互不影響且無(wú)重要性區(qū)分,VIKOR算法的特征指標(biāo)間獨(dú)立可以避免指標(biāo)賦權(quán)和R值計(jì)算帶來的偏差。(3)監(jiān)犯特征是監(jiān)獄智慧管理的數(shù)據(jù)支持和科學(xué)依據(jù)。一方面,監(jiān)犯特征評(píng)估結(jié)果可以為監(jiān)犯針對(duì)性管理提供數(shù)據(jù)支持;另一方面,為后續(xù)研究監(jiān)犯間交互、改善監(jiān)舍分布、降低監(jiān)舍風(fēng)險(xiǎn)提供了理論基礎(chǔ)與方法。本文特征分類策略來源于對(duì)大量文獻(xiàn)的總結(jié),因此并不只適用于新疆監(jiān)獄,也可以適應(yīng)全國(guó)絕大部分監(jiān)獄,其相應(yīng)特征如表1所示。需要注意的是,本文將犯人風(fēng)險(xiǎn)分為4種類型,不代表每個(gè)犯人都是這4類風(fēng)險(xiǎn)類型之一。這意味著會(huì)有在獄中表現(xiàn)較好,或者本身所犯罪名并不嚴(yán)重的犯人,他們并不存在明顯的風(fēng)險(xiǎn)表征;也會(huì)有犯人屬于多種風(fēng)險(xiǎn)類型,如典型的“炮手”,這類人既缺乏辨識(shí)能力,又具有暴力傾向,他們同時(shí)屬于暴力型和缺乏辨識(shí)型。2.3構(gòu)建均衡折共享的評(píng)價(jià)機(jī)制VIKOR(1)建立區(qū)間數(shù)型指標(biāo)決策矩陣:其中,A(2)確定被評(píng)價(jià)對(duì)象集的正理想解其中,I和J分別為效益型評(píng)價(jià)準(zhǔn)則集合和成本型評(píng)價(jià)準(zhǔn)則集合,n為指標(biāo)的總個(gè)數(shù)。(3)確定被評(píng)價(jià)對(duì)象的群體效益區(qū)間值(4)確定被評(píng)價(jià)對(duì)象的利益比率區(qū)間值其中,v是決策機(jī)制系數(shù)(v取值為0.5,表明采用均衡折衷方式,可以使群體效用最大化和負(fù)面影響最小化);(5)根據(jù)Q(2)k如果條件(2)不滿足,k3示范分析3.1先分類后二值化處理。據(jù)項(xiàng)的分本研究數(shù)據(jù)來源于新疆某監(jiān)獄。選取監(jiān)獄正在服刑的1100名監(jiān)犯的62個(gè)維度的監(jiān)犯基本信息與犯罪數(shù)據(jù),內(nèi)容包含職業(yè)背景、犯罪事實(shí)描述、刑期、身高、體重、罪名、犯罪類型、處遇等級(jí)、籍貫、前科、家庭成員等。結(jié)合監(jiān)獄背景知識(shí)除去無(wú)關(guān)數(shù)據(jù)項(xiàng),對(duì)剩余8個(gè)維度的數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗與轉(zhuǎn)化。對(duì)親屬關(guān)系、罪名個(gè)數(shù)、從事職業(yè)數(shù)量等數(shù)據(jù)采用統(tǒng)計(jì)方法轉(zhuǎn)化;對(duì)地區(qū)、是否團(tuán)伙作案、是否已婚、犯罪類型等數(shù)據(jù)先用正則表達(dá)式提取關(guān)鍵詞并分類,再通過二值化轉(zhuǎn)化數(shù)據(jù);對(duì)刑期采用先分類再二值化的方法處理。其中,犯罪類型是針對(duì)4類風(fēng)險(xiǎn)傾向劃分的:(1)心理問題型犯罪:罪名中包括“強(qiáng)奸|奸淫|兒童|賣淫|歧視|放火|投放”,這些犯罪大多是因?yàn)樾睦韱栴};(2)暴力型犯罪:罪名中包括“綁架|故意毀壞|殺人|故意傷害|搶劫|(zhì)放火|尋釁滋事|破壞|黑社會(huì)|爆炸物|槍支”,這些罪都包含暴力成分;(3)教唆他人型犯罪:罪名中包括“詐騙|分裂|煽動(dòng)|迷信|犯罪方法|領(lǐng)導(dǎo)|宣揚(yáng)|傳銷”,這些罪基本是組織中的教唆者所犯的;(4)缺乏辨識(shí)型犯罪:罪名中包括:“擾亂|窩藏|包庇|參加”,這些罪一般是被人指使所犯的。而團(tuán)伙作案與是否已婚的關(guān)鍵字分別是“伙同|同案”和“夫妻”。最終處理出16項(xiàng)數(shù)據(jù)項(xiàng),分別是代表4個(gè)刑期范圍的4項(xiàng)刑期范圍集標(biāo)注,代表不同犯人籍貫的4項(xiàng)地區(qū)標(biāo)注,代表不同犯罪類型的4項(xiàng)數(shù)據(jù),以及親屬數(shù)量、從事職業(yè)數(shù)量、是否團(tuán)伙作案、是否已婚4項(xiàng)數(shù)據(jù)項(xiàng)。將數(shù)據(jù)集分為待標(biāo)注訓(xùn)練集和效果評(píng)估集,16項(xiàng)數(shù)據(jù)項(xiàng)如表2所示。3.2公式4:某公式2基于區(qū)間模糊VIKOR的監(jiān)犯特征風(fēng)險(xiǎn)模型旨在通過若干監(jiān)獄專家對(duì)各監(jiān)犯4類特征風(fēng)險(xiǎn)在區(qū)間[0,1]上進(jìn)行區(qū)間模糊打分,其數(shù)值代表該監(jiān)犯此類風(fēng)險(xiǎn)的程度,如公式(6)所示。其中,x根據(jù)各位專家對(duì)某一監(jiān)犯4項(xiàng)特征風(fēng)險(xiǎn)的區(qū)間模糊標(biāo)注集建立區(qū)間數(shù)型指標(biāo)決策矩陣,進(jìn)一步通過區(qū)間模糊VIKOR算法計(jì)算,對(duì)專家標(biāo)注集進(jìn)行排序,以排在第一的專家標(biāo)注作為此監(jiān)犯最終的4項(xiàng)特征風(fēng)險(xiǎn)數(shù)值。以此方法得到最符合監(jiān)犯實(shí)際特征的4項(xiàng)特征風(fēng)險(xiǎn)數(shù)值。從樣本數(shù)據(jù)中隨機(jī)選取213個(gè)監(jiān)犯的數(shù)據(jù),用于區(qū)間模糊VIKOR監(jiān)犯特征風(fēng)險(xiǎn)的計(jì)算。與監(jiān)獄方溝通后,得到4位專家分別標(biāo)注的原始樣本標(biāo)注集,某一監(jiān)犯的原始樣本標(biāo)注如表3所示。3.3群體效益區(qū)間值的計(jì)算基于區(qū)間模糊VIKOR對(duì)監(jiān)犯特征風(fēng)險(xiǎn)進(jìn)行標(biāo)注集優(yōu)化。(1)以樣本標(biāo)注為指標(biāo)決策矩陣,計(jì)算正負(fù)理想解,將4項(xiàng)風(fēng)險(xiǎn)指標(biāo)視為效益型指標(biāo),該犯風(fēng)險(xiǎn)的正理想解(2)根據(jù)該犯指標(biāo)決策矩陣以及計(jì)算公式,得到4位評(píng)估專家的打分結(jié)果,由于4種風(fēng)險(xiǎn)類型并無(wú)優(yōu)劣之分,因此權(quán)重都為0.25。經(jīng)計(jì)算,群體效益區(qū)間值下限S(3)根據(jù)4位專家打分情況的群體效益區(qū)間值以及個(gè)體遺憾區(qū)間值,計(jì)算利益比率區(qū)間值下限Q(4)計(jì)算該犯最終4項(xiàng)傾向指標(biāo),將第二種方案的區(qū)間值轉(zhuǎn)化為單一數(shù)值作為最終結(jié)果,采用區(qū)間值轉(zhuǎn)化的一般方法,取其上下限的中值作為最終結(jié)果。因此,該犯最終的計(jì)算結(jié)果如表4所示。利用以上方法對(duì)每一個(gè)標(biāo)注集中的犯人進(jìn)行區(qū)間模糊VIKOR計(jì)算,得到最終4項(xiàng)特征傾向數(shù)值,其結(jié)果作為下一步機(jī)器學(xué)習(xí)算法的訓(xùn)練集與測(cè)試集。與傳統(tǒng)布爾型人工標(biāo)注集相比,本研究?jī)?yōu)化后的標(biāo)注集考慮人在評(píng)估時(shí)的不確定性與模糊性,使結(jié)果更加符合實(shí)際。3.4基于數(shù)據(jù)集的訓(xùn)練目標(biāo)預(yù)測(cè)考慮到單一機(jī)器學(xué)習(xí)算法的局限性與監(jiān)獄數(shù)據(jù)的復(fù)雜性,不同機(jī)器學(xué)習(xí)算法對(duì)于監(jiān)獄數(shù)據(jù)集的預(yù)測(cè)效果會(huì)有差異,因此綜合比較多種機(jī)器學(xué)習(xí)算法,選擇預(yù)測(cè)效果最好的作為最終模型。將3.3節(jié)監(jiān)犯傾向結(jié)果作為監(jiān)犯特征風(fēng)險(xiǎn)預(yù)測(cè)模型的訓(xùn)練目標(biāo),而將數(shù)據(jù)預(yù)處理所得到的細(xì)分后的16項(xiàng)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)。對(duì)這16項(xiàng)數(shù)據(jù)進(jìn)一步處理以提高訓(xùn)練精度:進(jìn)行特征提取,計(jì)算每種數(shù)據(jù)項(xiàng)的特征值,除去特征值過小的數(shù)據(jù)項(xiàng),即“親屬數(shù)量”、“是否已婚”、“是否團(tuán)伙作案”三個(gè)維度;進(jìn)行歸一化處理。為降低過擬合情況,將數(shù)據(jù)集拆分為訓(xùn)練集和測(cè)試集,用于交叉驗(yàn)證。本文研究的訓(xùn)練目標(biāo)“犯事傾向程度”是連續(xù)型變量,因此選用機(jī)器學(xué)習(xí)中的回歸算法作為訓(xùn)練模型,選取神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、決策樹、支持向量機(jī)(SVM)、K近鄰(KNN)和XGBoost共6種算法,分別以4種傾向之一的數(shù)值作為訓(xùn)練目標(biāo)進(jìn)行模型訓(xùn)練。對(duì)不同算法分別進(jìn)行調(diào)參,得到使各算法精度最高的模型參數(shù)。以擬合優(yōu)度R其余三類傾向的模型訓(xùn)練方法相同,但不同算法對(duì)于4類傾向的預(yù)測(cè)結(jié)果優(yōu)劣不同。根據(jù)數(shù)據(jù)集訓(xùn)練結(jié)果,各傾向選取使其擬合優(yōu)度最大的機(jī)器學(xué)習(xí)模型作為預(yù)測(cè)模型。暴力型傾向選取決策樹作為監(jiān)犯特征風(fēng)險(xiǎn)預(yù)測(cè)模型;心理問題型傾向選取SVM作為預(yù)測(cè)模型;教唆他人型傾向選取KNN作為預(yù)測(cè)模型;缺乏辨識(shí)型傾向選取隨機(jī)森林作為預(yù)測(cè)模型。究其原因,以暴力型傾向?yàn)槔?新疆地區(qū)監(jiān)犯暴力特征明顯,專家在標(biāo)注時(shí)已根據(jù)其特征做出較為經(jīng)驗(yàn)的判斷,而決策樹算法是根據(jù)監(jiān)犯各指標(biāo)進(jìn)行分枝,特征識(shí)別性較明顯,最符合新疆暴力犯特征;SVM算法在樣本量較少的情況下相比于其他算法更優(yōu),但在樣本量較多時(shí)可能不如其他算法。由此可見,對(duì)于不同監(jiān)獄難以確定一種固定的機(jī)器學(xué)習(xí)算法進(jìn)行預(yù)測(cè),需要結(jié)合監(jiān)獄的數(shù)據(jù)特征、可分析樣本量等因素,將多種機(jī)器學(xué)習(xí)算法綜合使用才能訓(xùn)練出最適合本監(jiān)獄的風(fēng)險(xiǎn)評(píng)估模型。將此綜合模型(暴力型:決策樹;心理問題型:SVM;教唆他人型:KNN;缺乏辨識(shí)型:隨機(jī)森林)應(yīng)用于驗(yàn)證集數(shù)據(jù)中,預(yù)測(cè)出每位犯人的4項(xiàng)傾向值。由于現(xiàn)有監(jiān)犯風(fēng)險(xiǎn)評(píng)估模型的結(jié)果都為單一風(fēng)險(xiǎn)值,為與現(xiàn)有模型作對(duì)比,將4項(xiàng)傾向值取算數(shù)平均。部分監(jiān)犯犯事傾向預(yù)測(cè)結(jié)果與算數(shù)平均值結(jié)果如表6所示。3.5監(jiān)犯特征風(fēng)險(xiǎn)評(píng)估模型的建立(1)測(cè)試集指標(biāo)選擇本研究的數(shù)據(jù)中最有效反映犯人在監(jiān)獄表現(xiàn)的數(shù)據(jù)項(xiàng)是處遇等級(jí),罪名重大的犯人入獄時(shí)會(huì)被判處嚴(yán)管,當(dāng)在監(jiān)獄內(nèi)犯事后降低其處遇等級(jí)以作為懲罰,最低降到一級(jí)嚴(yán)管。同理其他類型的一級(jí)一般也是犯事后降級(jí)的,諸如普管一級(jí)、危安一級(jí)等,因此以各類一級(jí)為犯人在監(jiān)獄犯事的標(biāo)志。(2)待對(duì)比現(xiàn)有模型從現(xiàn)有監(jiān)獄風(fēng)險(xiǎn)評(píng)估研究中選出準(zhǔn)確率較高的評(píng)估模型,即Logistic回歸模型其中,X(3)最佳分割點(diǎn)確定在計(jì)算模型準(zhǔn)確率之前,需要找到分類效果最佳的監(jiān)犯風(fēng)險(xiǎn)數(shù)值分割點(diǎn),此分割點(diǎn)以下數(shù)值表示監(jiān)犯不會(huì)犯事,分割點(diǎn)以上數(shù)值表示會(huì)犯事,根據(jù)ROC曲線判斷最佳分割點(diǎn)位置。ROC曲線是根據(jù)一系列不同的二分類方式(分界值或決定閾),以真陽(yáng)性率(靈敏度)為縱坐標(biāo),假陽(yáng)性率(1–特異度)為橫坐標(biāo)繪制的曲線。曲線上最靠近坐標(biāo)軸左上角的點(diǎn)即為最佳分割點(diǎn),而AUC值為ROC曲線所覆蓋的區(qū)域面積,AUC越大,分類器分類效果越好。將對(duì)比模型的Logistic回歸方程代入評(píng)估效果驗(yàn)證集,得到每個(gè)犯人犯事風(fēng)險(xiǎn)的評(píng)估值。根據(jù)ROC曲線確立該模型的最佳分割點(diǎn)為0.39,AUC為0.69,如圖2所示。監(jiān)犯特征風(fēng)險(xiǎn)評(píng)估模型所得結(jié)果的ROC曲線如圖3所示,其最佳分割點(diǎn)為0.31,AUC為0.79。(4)模型對(duì)比評(píng)估由于驗(yàn)證集指標(biāo)是0-1分布,因此采用分類模型評(píng)估方法,選取混淆矩陣中二級(jí)指標(biāo)的精確率(Precision)、召回率(Recall)和三級(jí)指標(biāo)F1-Score評(píng)估模型。經(jīng)最佳分割點(diǎn)分割后,對(duì)比模型(Logistic回歸)的混淆矩陣如表7所示。根據(jù)此混淆矩陣可知,對(duì)比模型預(yù)測(cè)犯事的精確率為70.0%,召回率為68.8%,F本文組合評(píng)估模型的混淆矩陣如表8所示。根據(jù)此混淆矩陣可知,本文模型預(yù)測(cè)犯事的精確率為78.9%,召回率為79.9%,F本文的組合模型在三個(gè)指標(biāo)下都優(yōu)于現(xiàn)有監(jiān)犯風(fēng)險(xiǎn)模型,模型有效性得到驗(yàn)證。3.6教才風(fēng)險(xiǎn)分析表6中的監(jiān)犯犯事傾向預(yù)測(cè)即為本研究最終結(jié)果的部分展示,可以看出,第1個(gè)犯人表現(xiàn)良好,第2個(gè)和第3個(gè)犯人有較高的暴力傾向,第4個(gè)犯人有相當(dāng)高的教唆他人傾向。在模型驗(yàn)證中,由ROC曲線得到平均傾向值在0.31以上的監(jiān)犯存在犯事風(fēng)險(xiǎn),結(jié)合表6結(jié)果可知,第3個(gè)監(jiān)犯存在暴力斗毆風(fēng)險(xiǎn),第4個(gè)監(jiān)犯存在教唆他人鬧事風(fēng)險(xiǎn)。在監(jiān)獄管理過程中,可根據(jù)此研究結(jié)果對(duì)這些存在風(fēng)險(xiǎn)的監(jiān)犯進(jìn)行針對(duì)性管理,例如利用調(diào)監(jiān)措施將暴力型監(jiān)犯分離、教唆犯與缺乏辨識(shí)犯分離等,或是進(jìn)行針對(duì)性教育,如對(duì)教唆犯和缺乏辨識(shí)犯進(jìn)行法制教育等。4評(píng)估結(jié)果對(duì)比本文將單一評(píng)估特征分為若干類具體特征,用改進(jìn)的區(qū)間模糊VIKOR算法得到最合理的區(qū)間模糊評(píng)價(jià)方案,再將所得標(biāo)注集與其他歷史