# Predicción de Delitos en la Ciudad de Nueva York
La ciudad de Nueva York le encarga la construcción de un modelo capaz de predecir la cantidad de delitos cometidos (medidos en tres categorías principales: "Felony", "Misdemeanor" y "Violation") en cada municipio de la ciudad (estos son "Brooklyn", "Queens", "Manhattan", "Bronx" y "Staten island") con una semana de anticipación. Para esta tarea la ciudad le entrega tres conjuntos de datos:

1.- Arrestos historicos
2.- Colisiones vehiculares históricas
3.- Quejas ciudadanas a servicios sociales históricas (número 311).

Que contienen información histórica de incidentes registrados por diversos servicios como el departamento de policía o la oficina de tránsito. Su tarea consiste en lograr entrenar un modelo que cumpla con un performance lo suficientemente bueno como para ser utilizado por la ciudad para predecir crímenes, los atributos a usar y las transformaciones a realizar sobre los datos quedan a completo criterio de usted con la única excepción de que debe usar como vectores objetivo la cantidad de ocurrencias de los tres delitos a ocurrir en la siguiente semana. Estos tres conjuntos de datos ya fueron pre-procesados y sintetizados en las matrices descritas en la sección **Data**.

Es importante notar que el problema que le encargan cae dentro de la categoría de regresión multi-output (debe predecir varios valores a la vez: La cantidad de delitos, por tipo, para cada municipio, semana a semana) por lo que investigue las técnicas que le permiten adaptar los modelos vistos en clase a este caso. También se puede catalogar este problema como uno de series de tiempo, por lo que se verá enfrentado al problema de utilizar la información del pasado para predecir lo que ocurrirá en el futuro, una forma de hacer esto es utilizando el concepto de "lag". En el contexto de las series de tiempo el lag se refiere a la ventana temporal utilizada para regular la cantidad de información de tiempos anteriores que será utilizada en la predicción actual, por ejemplo, si tenemos un dataset con información semanal de precios de pasajes aéreos, utilizar un lag de 2 significa utilizar la información recabada desde hace 2 semanas para predecir la siguiente, esto se puede codificar explícitamente en nuestro dataset si copiamos la información de esas dos semanas como columnas nuevas en cada fila del dataset. Se le recomienda crear una función para poder realizar esta transformación en su dataset pre-procesado, previo al entrenamiento.

**Finalmente, para este trabajo se excluirá la posibilidad de utilizar arquitecturas neuronales y la librería "prophet".**