好的下午。
今天是去至是说关于这理解
的犯罪速度和犯罪预言。
前我们去进入这数据，让我介绍一个团队。
我们有Karanveer，我们的数据科学家和数据造型专家，
和我自己格兰特·拉基作为一个数据研究员和
数据可视化专家。
所以前我们得到进入这数据，让我们做一个概述
的这全部的介绍。
是去至开始和这背景
哪个将要是这最初的数据套和为什么我们选择了我们的数据。
这数据概述，哪个再次是去进入这原因
为什么我们选择了我们的数据和什么是去至是试至回答。
这商业问题，哪个是这问题那
我们有和我们的数据。
为什么是试至回答肯定
问题和这全面的主意的这全部的项目。
下一个是我们的方法和计划，哪个是我们的程序的接听
我们的商业问题和然后我们的结果，
哪个是这结果的我们的方法'计划。
我们的应用，哪个是真实的-生活影响
从我们的结果，和后分析，
哪个是什么我们可以包括或者添加上至我们的结果。
什么我们可以添加上至提升之上这个和年至来。
开始和背景，为什么应该我们关心关于犯罪速度？
出色地犯罪是只是重要的至每个人，它是到处在这团结的状态，
和所以什么是犯罪速度和如何能够我们定义它？
如何我们定义犯罪速度是我们的最初的刑事活动，
分为经过这人口密度每县或者每状态。
是主要是去至是看着在每状态。
所以如何是我们去至确认因素
哪个能够减少犯罪费率始终我们的全部的项目。
这里是去至是请讲关于如何肯定犯罪
是去至是更多的有影响在肯定状态比其他，
和做肯定犯罪影响其他犯罪？
所以为了例子，
如果那里曾是一个谋杀犯罪，将枪或者盗窃是更多的
有影响在那谋杀犯罪或者将其他犯罪是有影响在那？
所以看着在我们的数据概述。
我们开始离开和我们的最初的数据放哪个是我们的犯罪统计数据数据，
和我们添加其他数据变量之后上始终这个最初的数据放。
开始和我们的最初的数据放，我们开始和2014数据，
和这个最初的数据放曾是给定至我们从
联邦局调查：这联邦调查局。
我们看起来在42刑事活动哪个是宽的范围
从谋杀，盗窃至药品拥有，药品活动。
我们看起来在关于3,200县，和内全部这些县
或者内这些状态将是全部那些县。
我们有至看在48状态。
我们有至排除佛罗里达和伊利诺伊州，
因为佛罗里达和伊利诺伊州做过不是提供数据至这联邦调查局
为了这刑事活动。
如果你看在未来2018数据或者过去的2012数据，它是这相同的问题。
他们只是别提供数据至这联邦调查局它似乎.
和全部的这个为了2014数据，有180,000数据积分
说关于这FIPS代码。
这个是如何我们确定肯定刑事活动在肯定县。
为了例子，我们有我们的状态代码，哪个将01为了阿拉巴马州。
这些状态是代表按字母顺序。
阿拉巴马州将是这第一的一，和然后每个县内那状态
将有数字至他们。
为了例子，鲍德温将是003.
如果你看起来在鲍德温，阿拉巴马州，
它会的是01003,所以上和所以向前为了每一个县详细的在这状态。
看着在我们的额外的变量，我们看起来在人口普查数据。
人口普查数据是总是伟大的为了检查出去这年龄，人口，
收入每县或者每状态，
和我们有至看在其他数据套喜欢
性别，移民，宗教，婚姻，失业和识字率。
这些其他数据套看起来更多的或者所以在这全州费率，
和这个不是真的有关的至刑事活动，
但我们通缉至涉及它
内我们的最初的数据放至看如果有任何相关性和他们。
去进入我们的商业问题，
我们想至回答什么状态在这团结的状态具体来说
有这最高和最低犯罪费率和为什么是那所以？
至回答我们的商业问题，
我们有至回答这些商业问题去进入那。
如何能够我们确认变量那影响犯罪？
哪个是这最多重要的因素？
是那里犯罪那影响其他犯罪？
我是去至手它离开至卡兰维尔至讲话关于计划和方法。
感谢你，授予。
我们的方法至解决这个商业问题，
曾是至来向上和一个回归模型。
我们有用过的JMP至制作它。
第一的，作为授予提及，
我们有连接的这各种各样的数据库，那是这犯罪数据放，
沿着和那些额外的变量这样的作为宗教，收入，等等
我们有制成当然无论这数据看起来干净的。
一个之后那，我们有跑我们的回归模型，
哪个是有能力的至预测这犯罪速度为了我们。
和这个，我们是有能力的至知道这各种各样的变量
和他们的重要性在决定这个犯罪速度，
和我们是有能力的至列表他们经过他们的重要性。
一个吨这结尾出色地还是显示你可视化基于上它。
作为授予提及，我们有42刑事活动变量。
一些的这些变量是非常小的，
这样的作为药品拥有，药品消耗，药品销售量。
在那案子，我们有简单地分组他们至制作当然那
我们能够来上一个结论上那
自从这数据曾是否则也是小的为了这亚组。
出色地是看着他们状态明智的
作为我们没有有这额外的变量上一个县基础。
但我感觉那这个是伟大的为了开始这个项目。
我们的目标多变的将是这犯罪速度。
我们有定义这犯罪速度作为这数字的逮捕
在那肯定人口。
现在，未来下至这变量那我们是使用。
最多的这些变量有到过归一化和我们有用过的
一个百分比为了他们，这样的作为移民为了性别。
我们将要是使用二类型那将要是一个男性和一个女性，
和然后宗教，失业，婚姻，识字。
最多的这些是归一化所以那
我们别有一个分析哪个可以是误导。
未来下至这最后方程的我们的回归模型。
这个是这方程的一个模型。
我们有圆形离开这样品，
和作为我们能够看那里是一个很多的变量
那有一个积极的影响，作为在，那他们增加这犯罪速度，
和那里是肯定变量哪个有一个消极的符号和他们。
他们基本上减少这犯罪速度。
使用这个我们能够看如何我们能够定义一个犯罪速度在任何状态或者县。
未来下至这结果。
这发现数字一。
我们真的通缉至看哪个状态有这最高犯罪速度。
这些是这下列的五状态。
田纳西州，怀俄明州，密西西比州，威斯康星州，新的墨西哥。
然后我们有这下列的状态和这最低犯罪速度，
那是新的约克，阿拉巴马州，佛蒙特，马萨诸塞州和密歇根州。
这是一个下列的可视化解释如何这犯罪速度
变化穿过团结的状态。
作为我们看，那里是不肯定图案和它是全部超过这地方。
发现数字二。
使用JMP和正在做一个日志[听不清 00:07:57]
上这变量，我们可以基本上看哪个变量有更多的重要性。
这数字一曾是武器拥有，跟随经过识字速度，
然后宗教百分比，移民，人口密度，
和这失业速度。
我思考这个是一个伟大的发现，尽管任何政府身体
或者任何组织想要至分配资源
每当他们是试至减少这犯罪速度或者试至分析它。
这发现数字三是某物真的有趣的。
我们的目标曾是至看无论那里是肯定犯罪
哪个可以帮助我们解决不是只是那犯罪，
但也许其他犯罪作为出色地。
哪个这些犯罪是试至影响。
药品和武器曾是一的他们。
我们可以看药品和武器有一个非常高的相关性
和说，盗窃，抢劫，谋杀。
使用一个智-正方形测试，我们锯那这相关性是非常高的。
所以在案子任何组织将想至重点上和开始和，
我思考药品和武器是一个伟大的类别在哪里
他们能够重点在为了减少犯罪速度在任何状态或者县。
这个是这下列的地图显示
这宗教速度，拥有的武器，和识字速度，
和这变化穿过团结的状态。
如果我们放它和这犯罪速度，我们能够看一个肯定图案
哪个是实际上解释经过我们的回归模型。
现在未来下至这影响，
如何我们能够利用我们的分析至一个真实的-世界解决方案。
喜欢这数据放我们有用过的，和我们有连接的至变量，
我们将确实想至工作和政府，城市和社区
因为犯罪是一个普遍的问题
和这个是某物大家想要至减少。
这恢复分配能够是完毕根据至这个，
和更远，这个将结果在一个减少在犯罪速度
和增加幸福在这社区。
邮政-分析。
那里是一个很多的事物那我们将想至包括在我们的项目，
和这个是一个伟大的未来范围作为出色地。
第一的事物，我们将想至包括更多的变量
这样的作为天气，种族和这列表去上。
我们可以确实甚至听至这政府身体和拿输入
为了这些变量从他们。
县详细的或者在至少城市细节。
我感觉它是伟大的至开始和状态-明智的数据，
但我们将确实想至重点上一个更多的详细的等级的分析，
所以那我们能够利用这些结论至这真实的世界
更多的清楚地，更多的恰恰和我们将有一个更好的影响作为出色地。
这数据时间框架。
正确的现在我们有用过的这数据从这年2014 年。
我感觉这个是一个八年老的数据放。
我们将确实想至利用一个更多的最新的数据放，
和某物那是跨越超过一个夫妻的年，
所以那它给我们明晰。
自从冠状病毒病有受影响我们在一个很多的方法，
和它有改变了如何基本上生活是在职的大约我们，
和所以有犯罪速度和这方法犯罪发生了有到过改变了。
我们将确实想至重点邮政冠状病毒病,
和超过这最后的二-三年，为了一个邮政-分析。
那是全部和感谢你。
