印度女性犯罪预测分析：基于NCRB数据的机器学习模型构建与区域差异研究

来自印度的研究人员针对女性犯罪率持续攀升的社会问题，利用国家犯罪记录局(NCRB)2017-2022年数据，采用Random Forest Regressor、XGBoost和LightGBM算法开展预测研究。研究发现阿萨姆邦人口犯罪比最高，XGBoost模型预测效果最优，并揭示疫情封锁期间犯罪模式突变特征，为AI辅助司法系统建设提供实证依据。

　　

在印度女性权益保护领域，针对强奸(kidnapping)、嫁妆致死(dowry deaths)、网络犯罪(cybercrimes)等恶性事件持续激增的现象，研究者调取国家犯罪记录局(NCRB)六年期大数据进行深度解析。通过对比逮捕(arrested)、起诉(charge-sheeted)、定罪(convicted)等司法环节数据，发现阿萨姆邦(Assam)单位人口犯罪密度异常突出。

研究团队创新性地应用随机森林回归(Random Forest Regressor)、极限梯度提升(XGBoost)和轻量梯度提升机(LightGBM)三类算法建模，其中XGBoost在预测准确度方面表现最优。特别值得注意的是，2020年COVID-19封锁期间，人口流动限制导致犯罪热点发生空间重构，这为研究社会环境应激源(socio-economic stressors)与犯罪类型的关联提供了天然实验场。

该研究不仅绘制出印度各邦犯罪风险热力图，更通过机器学习揭示了司法效率与犯罪率的非线性关系——某些区域存在"高报案-低定罪"的司法漏斗现象。这些发现为构建AI驱动的犯罪预警系统(AI-assisted law enforcement)提供了关键参数，对优化警力资源配置、完善弱势群体保护机制具有重要实践价值。