Условно процесс прогнозирования с использованием нейросетей может быть подразделен на несколько этапов.
1. Постановка задачи – что предсказываем и какие данные для этого имеются. В нашем случае мы хотим определить количество насильственных половых преступлений на 2003 г., используя имеющиеся данные за период с 1985 по 2002 г.
2. Создание нейросети – определение параметров входа, выхода, числа нейронов и т. д.
3. Процесс обучения нейросети на имеющихся у нас примерах, в результате чего происходят коррекция веса межнейронных связей и ее проверка, тестирование.
4. Получение прогнозируемых значений и оценка погрешности.
Теория применения нейросетей в области прогнозирования и выявления закономерностей изучаемого процесса является наиболее интенсивно развивающейся областью исследований и связана, прежде всего, с развитием вычислительной мощности компьютерной техники.[759]
Для начала работы создается файл данных, в котором записывается год и количество зарегистрированных насильственных половых преступлений. Данные за 2003 г. (38 насильственных половых преступлений) хотя и имеются, но не заносятся в создаваемую базу с целью проверки эффективности работы нейросети и оценки погрешности.
Второй этап представляет создание нейросети, для чего используется программный модуль Net Maker, в который считываются подготовленные данные, представленные в виде таблицы или графически (см. рис. 42, 43).
Имеющиеся данные проверяются на анализ периодичности “Cyclic Analysis”, в результате чего получаем относительную спектральную оценку относительно половых преступлений за рассматриваемый период времени, на графике отражена зависимость частоты Frequency и силы Strength (см. рис. 44).
Следующая процедура – обучение сети на имеющихся примерах, в процессе которого происходит самообучение нейросети за счет изменения веса межнейронных связей. Процесс обучения заканчивается, когда уровень ошибки будет ниже допустимого уровня, обычно задаваемого равным 0,2. Данная процедура осуществляется в программном модуле BrainMaker, динамика процесса обучения нейросетевого пакета представлена на рисунке 45.
Последний этап в результате работы нейросети – получение и оценка выходных данных – представлен на рисунке 46.
Выходное значение равно Out: 44, в то время как реальное количество зарегистрированных преступлений – 38. Соответственно можно определить относительную погрешность прогноза:
(38–44)/38 = -0,157 = 15,7 %,
которая будет приблизительно 16 %, что является достаточно хорошим результатом. При этом общая тенденция к снижению данного вида преступности также была предсказана в направлении, соответствующем реальности. Данная точность прогноза является довольно успешной, и приведенный пример показывает возможность применения нейросетевых программных пакетов в криминологической практике прогнозирования преступности.
Заключение
Любая область научных исследований, прежде всего, направлена на решение стоящих перед человеком теоретических или практических проблем. Изучение преступности, переход на более высокие ступени познания, к системному исследованию и прогнозированию в условиях становления и функционирования правового государства имеют первостепенное значение. Логика развития научного исследования и выдвигаемые в процессе осуществления повседневной деятельности практические задачи по профилактике и борьбе с преступностью ставят цели более детального, пристального исследования отдельных видов преступности, для поиска оптимальных и более эффективных методов социального контроля.
В криминологическом аспекте сексуальные преступления в течение последних лет характеризуются устойчивой тенденцией к стабильности, и отмечаются показатели, свидетельствующие об их снижении. Однако, несмотря на эти количественные показатели, свидетельствующие о якобы благополучии в отношении данного вида преступности и мер по ее профилактике, более детальный качественный анализ изменения ее внутренней структуры не дает таких обнадеживающих и оптимистических результатов.