Comparing regression models to predict property crime in high-risk Lima districts

Crime continues to be a problem in Metropolitan Lima, Peru, affecting society. Our focus is on property crimes. We recognized the lack of studies on the prediction of these crimes. To address this problem, we use regression techniques such as XGBoost, Extra Tree, Support Vector, Bagging, Random Forest and AdaBoost. Through GridsearchCV we optimize hyperparameters to improve our research findings. The results showed that Extra Tree Regression stood out as the model with an R2 value of 0.79. Additionally, error metrics such as MSE (185.43), RMSE (13.62), and MAE (10.47) were considered to evaluate the model performance. Our approach considers temporal patterns in crime incidents, which contributes to addressing the problem of insecurity in a meaningful way.

El crimen sigue siendo un problema en la Lima Metropolitana, Perú, que afecta a la sociedad. Nuestro enfoque está en los crímenes contra la propiedad. Reconocimos la falta de estudios sobre la predicción de estos delitos. Para abordar este problema, utilizamos técnicas de regresión como XGBoost, Extra Tree, Vector de Soporte, Bagging, Random Forest y AdaBoost. A través de GridsearchCV optimizamos los hiperparámetros para mejorar nuestros hallazgos de investigación. Los resultados mostraron que la Regresión Extra Tree destacó como el modelo con un valor de R2 de 0.79. Además, se consideraron métricas de error como MSE (185.43), RMSE (13.62) y MAE (10.47) para evaluar el rendimiento del modelo. Nuestro enfoque considera patrones temporales en los incidentes delictivos, lo que contribuye a abordar el problema de la inseguridad de manera significativa.