Resumen

Los ataques terroristas representan una gran amenaza para la seguridad global, y su análisis y predicción son imperativos. Teniendo en cuenta la alta frecuencia de los ataques terroristas y la dificultad inherente en encontrar organizaciones terroristas relacionadas, proponemos un marco de clasificación basado en aprendizaje de conjunto para clasificar y predecir organizaciones terroristas. El marco incluye preprocesamiento de datos, división de datos, cinco modelos de predicción de clasificadores y evaluación de modelos. Basados en un análisis estadístico cuantitativo de las actividades de organizaciones terroristas en GTD desde 1970 hasta 2017 y la selección de características utilizando el método SelectKBest en scikit learn, construimos cinco modelos de clasificación y predicción de organizaciones terroristas, a saber, árbol de decisión, bagging, bosque aleatorio, árbol extra y XGBoost, y utilizamos un método de validación cruzada de 10 pliegues para verificar el rendimiento y la estabilidad del modelo propuesto. Los resultados experimentales mostraron que los cinco modelos logr

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Ataques terroristas; Seguridad global; Aprendizaje en conjunto; Marco de clasificación; Modelos de predicción; XGBoost
• Keywords:Terrorist attacks; Global security; Ensemble learning; Classification framework; Prediction models; XGBoost