Modelos de regresión logística y redes neuronales para la predicción de incidencia delictiva: Región Interandina – Ecuador

• José Carlos Gallegos-Meza https://orcid.org/0009-0007-6831-6131
• Paulina Fernanda Bolaños-Logroño https://orcid.org/0000-0003-3911-0461

DOI: https://doi.org/10.31876/rcs.v32i2.45585

Palabras clave: Regresión logística, redes neuronales, criminalidad, predicción del delito, región interandina del Ecuador

Resumen

En la región interandina del Ecuador, donde las dinámicas sociales y económicas son heterogéneas, la integración de modelos de regresión logística y redes neuronales ofrece herramientas con proyección positiva para mitigar y anticipar la incidencia delictiva, debido a que ambos enfoques brindan insumos sólidos y significativos en la predicción de delitos. Este artículo se propuso como objetivo general describir las ventajas que ofrecen las redes neuronales y la regresión logística como herramientas heurísticas y de aplicación práctica para predicción de incidencia delictiva, particularmente bajo el contexto social. Metodológicamente, es un estudio cuantitativo comparativo de clasificación multivariante orientado a evaluar la funcionalidad de modelos socio estadísticos en la interpretación de delitos aplicados a patrones espaciotemporales de criminalidad en Ecuador. Estos hallazgos destacaron que la regresión logística multinomial tiene mejor capacidad de respuesta en la predicción de franjas horarias y provincias, como Balanced Accuracy y Kappa de Cohen, coincidiendo con otros estudiosos, quienes encontraron que los modelos lineales son excelentes en problemas de correlaciones entre variables con magnitud intermedia. Aunque la red neuronal reflejó una mejor eficacia en AUC, evidenciando su capacidad para clasificar entre clases no lineales, la regresión logística sigue siendo más efectiva en problemas con relaciones simples y moderadas.

Citas

Bridle, J. S. (1990). Probabilistic interpretation of feedforward classification network outputs, with relationships to statistical pattern recognition. In F. F. Soulié y J. Hérault (Eds.), Neurocomputing: Algorithms, architectures and applications. NATO ASI Series (Vol 68, pp. 227-236). Springer. https://doi.org/10.1007/978-3-642-76153-9_28

Chainey, S., y Ratcliffe, J. (2013). GIS and Crime Mapping. John Wiley & Sons.

Chávez-Cadena, M. I., y Abril-Donoso, M. E. (2023). Predicción de homicidios desde la regresión logística en el distrito metropolitano de Quito, Ecuador. Koinonia, VIII(16), 238-255. https://doi.org/10.35381/r.k.v8i16.2551

Corbett-Davies, S., Gaebler, J. D., Nilforoshan, H., Shroff, R., y Goel, S. (2023). The Measure and Mismeasure of Fairness. Journal of Machine Learning Research, 24, 312. https://doi.org/10.48550/arXiv.1808.00023

Cybenko, G. (1989). Approximation by superpositions of a sigmoidal function. Mathematics of Control, Signals, and Systems, 2, 303-314. https://web.njit.edu/~usman/courses/cs675_fall18/10.1.1.441.7873.pdf

Friedman, J. H., Hastie, T., y Tibshirani, R. (2010). Regularization paths for generalized linear models via coordinate descent. Journal of Statistical Software, 33(1), 1-22. https://doi.org/10.18637/jss.v033.i01

Hastie, T., Tibshirani, R., y Friedman, J. (2009). The Elements of Statistical Learning: Data mining, inference, and prediction. Springer.

He, H., y García, E. A. (2009). Learning from Imbalanced Data. IEEE Transactions on Knowledge and Data Engineering, 21(9), 1263-1284. https://doi.org/10.1109/TKDE.2008.239

Hoerl, A. E., y Kennard, R. W. (1970). Ridge Regression: Biased Estimation for Nonorthogonal Problems. Technometrics, 12(1), 55-67. https://homepages.math.uic.edu/~lreyzin/papers/ridge.pdf

Lum, K., e Isaac, W. (2016). To Predict and Serve? Significance, 13(5), 14-19. https://doi.org/10.1111/j.1740-9713.2016.00960.x

Luna, K. A., Melean, R. A., Andrade, C. F., y Orellana, C. P. (2025). Redes neuronales en la valoración crediticia bajo incertidumbre en pequeñas y medianas empresas de Ecuador. Revista de Ciencias Sociales (Ve), XXXI(3), 313-333. https://doi.org/10.31876/rcs.v31i3.44286

Mohler, G. O., Short, M. B., Brantingham, P. J., Schoenberg, F. P., y Tita, G. E. (2011). Self-Exciting Point Process Modeling of Crime. Journal of the American Statistical Association, 106(493), 100-108. https://doi.org/10.1198/jasa.2011.ap09546

Nasrabadi, N. M. (2006). Pattern recognition and machine learning. Journal of Electronic Imaging, 16(4), 140-155. https://doi.org/10.1117/1.2819119

Perry, W. L., McInnis, B., Price, C. C., Smith, S., y Hollywood, J. S. (2013). Predictive Policing: The Role of Crime Forecasting in Law Enforcement Operations. Rand.

Ratcliffe, J. H. (2003). Intelligence-led Policing. Crime and Criminal Justice, (248), 1-6. https://www.aic.gov.au/sites/default/files/2020-05/tandi248.pdf

Richardson, R., Schultz, J., y Crawford, K. (2019). Datos erróneos, predicciones erróneas: cómo las violaciones de los derechos civiles afectan a los datos policiales, los sistemas de vigilancia predictiva y la justicia. Nyul, 94(192), 192-232. https://ssrn.com/abstract=3333423

Rudin, C. (2019). Stop Explaining Black Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead. Nature Machine Intelligence, 1, 206-215. https://doi.org/10.1038/s42256-019-0048-x

Rumelhart, D. E., Hinton, G. E., y Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323, 533-536. https://doi.org/10.1038/323533a0

Sherman, L. W., Gartin, P. R., y Buerger, M. E. (1989). Hot spots of predatory crime: Routine activities and the criminology of place. Criminology, 27(1), 27-56. https://doi.org/10.1111/j.1745-9125.1989.tb00862.x