Predicción de crímenes en Buenos Aires: cómo el Machine Learning puede ayudar a optimizar el presupuesto en seguridad pública
Proyecto Final de Simón Lozada
Diplomatura en Machine Learning con Python
Objetivos del Proyecto
El objetivo principal del trabajo fue anticipar la cantidad y el tipo de crímenes que podrían ocurrir en distintas comunas, y asignar de manera óptima el presupuesto de seguridad, teniendo en cuenta factores ambientales, educativos y económicos.
Para lograrlo, Simón utilizó librerías como pandas, NumPy y scikit-learn, junto con modelos de predicción como SVM, RANSAC y Random Forest. Tras una exhaustiva selección y transformación de datos, su análisis reveló que las variables ambientales y sociales (como tasa de desempleo, acceso a áreas verdes y cantidad de escuelas públicas) tienen mayor influencia que el número de comisarías en la predicción del crimen.
El modelo Random Forest se destacó por su capacidad para capturar patrones no lineales, alcanzando un R² de 0.89 en la predicción presupuestaria. Además, se identificó que la Comuna 15 mantuvo niveles de criminalidad más altos incluso durante la pandemia, lo que resalta su importancia como área prioritaria.
Este proyecto demuestra cómo el uso de inteligencia artificial aplicada a la gestión pública puede mejorar la toma de decisiones, optimizando recursos y anticipando escenarios de riesgo.
En esta presentación se exponen los resultados del proyecto de Machine Learning para la predicción de crímenes en la Ciudad Autónoma de Buenos Aires. Se explica el proceso de recolección de datos, el análisis estadístico y la metodología utilizada para la creación del modelo predictivo.
Metodología:
Para tratar con el problema de la asignación presupuestaria tomamos 2 enfoques:
1. Predecir los crímenes y después estimar el presupuesto en base a estos.
2. Calcular el presupuesto desde el principio y predecir directamente
