Evaluación de modelos de Machine Learning en polígonos irregulares en la ciudad de Medellín para la predicción de delitos. Trabajo de grado

Abstract

RESUMEN : Este trabajo de grado se enfoca en implementar y comparar varios modelos de Machine Learning tales como ARIMA, ARMAX, SARIMA y RNN LSTM para pronosticar la criminalidad en diferentes áreas de la ciudad de Medellín. Estos modelos predictivos se evalúan utilizando métricas como RMSE, MAE y R^2. Por otro lado, estos se alimentan mediante diferentes grupos de datos los cuales se definen en variedad de polígonos irregulares, esto como resultado de la aplicación de varios modelos de agrupamiento como K-MEANS, DBSCAN y BIRCH. Los resultados para los modelos de agrupamiento sugieren que dos de los mencionados fueron los que presentaron un mejor desempeño, logrando una segmentación adecuada de las zonas de interés. Por consiguiente, como los datos de agrupamiento varían, la incorporación de variables exógenas y de control, así como datos socioeconómicos y meteorológicos fueron importantes para mejorar los modelos predictivos. En síntesis, estos resultados brindan análisis y herramientas para incentivar una gestión inteligente de la seguridad ciudadana, buscando siempre optar por medidas efectivas en la predicción de delitos.