Show simple item record

dc.contributorVidal Manzano, José
dc.contributorMuñoz Medina, Olga
dc.contributor.authorCompany Pla, Jordi
dc.contributor.otherUniversitat Politècnica de Catalunya. Departament de Teoria del Senyal i Comunicacions
dc.date.accessioned2018-06-10T14:30:34Z
dc.date.available2018-06-10T14:30:34Z
dc.date.issued2018-01
dc.identifier.urihttp://hdl.handle.net/2117/117979
dc.descriptionLas técnicas de aprendizaje automático están revolucionando diversas áreas de la sociedad como, por ejemplo, la banca, el marketing y la medicina. También son aplicables en el ámbito de la justicia [1-3]. Aunque su aplicación en este entorno puede suscitar un cierto debate sobre el hecho de que sean algoritmos los que tomen decisiones que afectan a la vida de las personas, no cabe duda de que presentan una serie de ventajas: son objetivas, rápidas y permiten tener en cuenta un número elevado de variables. Gracias a estas características, utilizadas como herramientas adicion
dc.description.abstractMachine Learning (ML) technologies are currently a high trend but it is still not common to find applications where those methods are applied to a judicial process. In this thesis we have studied different ways to apply ML in order to predict recidivism to help judges in their verdicts. Using a public database with common characteristics of prisoners we have evaluated different ML algorithms to detect recidivism and help stopping it. As nowadays the current methods are used just as another variable, to help with the final decision but not to replace it, we have considered choosing algorithms that allows to make an analysis of the relevant features. The final choices were Lasso Logistic Regression, SLIM, SVM and CART algorithms. Obtaining results in line with the current state of the art, even quite better and allowing to determine some relevant and irrelevant variables. Although, there is still work to do in this field, we are sure that we are all going in the right direction to help both victims and prisoners. In a near future, with more data to analyse and better algorithms, we will be able to create better helpful applications.
dc.description.abstractAunque actualmente nos encontramos en la era del aprendizaje automático aún no es del todo común encontrar estas tecnologías aplicadas al campo judicial. En esta tesis, hemos estudiado diferentes formas de aplicar algunas de estas técnicas para predecir la reincidencia en los presos y ayudar a los jueces en sus veredictos. Utilizando una base de datos pública con características comunes de los presos, hemos avaluado un conjunto de algoritmos para detectar esta reincidencia y poder pararla. En la actualidad, estos métodos se utilizan como otra variable para ayudar en la decisión final del juez, pero nunca para reemplazarla. Es por esta razón que decidimos escoger unos algoritmos que nos permitieran hacer un estudio posterior de las variables más relevantes. Estos algoritmos finalmente fueron la Regresión Logística con penalización tipo Lasso, SLIM, SVM i CART. Obteniendo unos resultados finales en línea con el actual estado del arte, hasta mejores y permitiéndonos hacer un análisis de las variables. Aunque queda mucho trabajo por hacer en este campo, estamos seguros que encaramos un buen camino para ayudar tanto a víctimas como a reclusos. En un futuro cercano, con más datos y mejores algoritmos, seguro que seremos capaces de crear aplicaciones completamente válidas y funcionales.
dc.description.abstractTot i viure actualment en l'era de l'aprenentatge automàtic no és molt comú trobar aplicacions funcionals d'aquestes tecnologies en el camp judicial. En aquesta tesis, hem estudiat diferents formes d'aplicar algunes d'aquestes tècniques per predir la reincidència delictiva i ajudar als jutges amb els seus veredictes. Utilitzant una base de dades púbica amb característiques comunes dels presoners, hem avaluat diferents algoritmes per detectar la reincidència i poder aturar-la. Com que actualment aquests mètodes es fan servir com una variable de reforç, per ajudar amb la decisió final però mai per reemplaçar-la, vam escollir triar algoritmes que permetessin, a més a més, fer un estudi a posteriori de les variables mes rellevants. Finalment vam decantar-nos per els algoritmes de Regressió Logística amb penalització tipus Lasso, SLIM, SVM i CART. Obtenint uns resultats finals en línia amb l'actual estat de l'art, fins i tot millors i permetent-nos fer un anàlisi de les variables. Tot i que encara queda feina a fer en aquest camp, estem segurs que encarem un bon camí per ajudar tant a víctimes com presoners i en un futur proper, amb més dades i millors algoritmes segur que serem capaços de crear aplicacions completament vàlides i funcionals.
dc.language.isoeng
dc.publisherUniversitat Politècnica de Catalunya
dc.rightsS'autoritza la difusió de l'obra mitjançant la llicència Creative Commons o similar 'Reconeixement-NoComercial- SenseObraDerivada'
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/es/
dc.subjectÀrees temàtiques de la UPC::Enginyeria de la telecomunicació
dc.subject.lcshMachine learning
dc.subject.lcshAlgorithms
dc.subject.lcshDatabases
dc.subject.otherRecidivism
dc.subject.otherLasso
dc.subject.otherLogistic Regression
dc.subject.otherSLIM
dc.subject.otherLasso
dc.subject.otherSLIM
dc.subject.otherreincidencia
dc.titleAnalysis of machine learning tools for predicting recidivism and for feature analysis
dc.title.alternativeAnalisis de tecnicas de aprendizaje automático para la predicción de reincidencia y el estudio de variables relevantes
dc.title.alternativeAnàlisis de tècniques d'aprenentatge automàtic per la predicció de reincidència i l'estudi de variables rellevants.
dc.typeBachelor thesis
dc.subject.lemacAprenentatge automàtic
dc.subject.lemacAlgorismes
dc.subject.lemacBases de dades
dc.identifier.slugETSETB-230.131739
dc.rights.accessOpen Access
dc.date.updated2018-02-15T06:50:26Z
dc.audience.educationlevelGrau
dc.audience.mediatorEscola Tècnica Superior d'Enginyeria de Telecomunicació de Barcelona
dc.audience.degreeGRAU EN ENGINYERIA DE SISTEMES AUDIOVISUALS (Pla 2009)


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivs 3.0 Spain
Except where otherwise noted, content on this work is licensed under a Creative Commons license : Attribution-NonCommercial-NoDerivs 3.0 Spain