Alumno 1 (desaprobado)
Título (copiado de Internet)
LAS REDES NEURONALES EN UNIDADES PRODUCTO: TEORÍA DEL MODELO Y SU
APLICACIÓN A PROBLEMAS DE CLASIFICACIÓN DEL RIESGO
RESUMEN
Este trabajo combina un tipo de red neuoronale llamadas “red neuronal basada en unidades
producto” con un modelo evolutivo. El objetivo es la resolución, en ámbito económico, del
problema de clasificación del riesgo de impago de tarjete de crédito. La base de datos que hemos
utilizado es la “German Credit Card”: gracias a 20 variabiles podemos poner 1000 personas que
tienen una tarjeta de crédito, en dos categorías, según que exista o no el riesgo de impago. El
análisis que hemos realizado muestra que el algoritmo evolutivo basado en unidades producto
obitene mejor resultados de los que resultan de otrtas metodologías consideradas y que es una
alternativa interesante a los modelos clásicos. El buen éxito de esta experimentación incita, en
futuro, a continuar el estudio de este modelo.
Palabras Claves: algoritmo evloutivo – clasificación – no lineal – red neuronal – riesgo
INTRODUCCIÓN
Con seguridad, de los problemas que afligen quien se ocupa de gestión financiera, los que
conciernen la cuantificación y la eventual sostenibilidad del riesgo han recibido mucha atención,
especialmente en los ultimos años. En efecto, la posibilidad de predecir un resultado, con una
aproximación bastante correspondiente a la realidad, como por ejemplo saber si un préstamo tiene
un riesgo elevado de impago o no, puede ser de importancia crucial para una entidad financiera. Por
eso, se han esudiado herramientas más o menos eficientes para lograr estos objectivos. Sin duda,
entre ellas, las redes neuronales han demostrado que son eficientes para la resolución de problemas
de tipo económico.
Podemos decir que los metodos de clasificación, que hoy se utilizan, son diversos. Por
ejemplo, se va de los más clásicos, como el análisis discriminante, en el cual se supone que las
variables de entrada siguen distribuciones normales, o la regresión logística, muy utilizada en
ámbito de clasificación binaria. Las debilidades de estos pero están en sus perdida de eficacia
cuando se aplican a problemas más complexos. Por eso existen otros modelos que ayudan cuando la
no linealidad está alta, como los de aprendizaje siguiendo la proyección, modelos aditivos
generalizados y PolyMARS, o un método híbrido específico para la clasificación basado en
funciones de tipo spline, o en fin las propuestas de Bose.
La intención de este trabajo es mostrar un tipo particular de red neuronal denominada Red
Neuronal basada en Unidades Producto (RNUP), un modelo no lineal el cual estudio ha indicado ser
una valida alternativa, para la resolucción de los problemas tipicos de la economía, a los clásicos
que hemos dicho. En verdad, la RNUP no ha sido mucho utilizada en área económica y financiera,
aunque Durbin y Rumelhart lo introdujeron para la primera vez en 1989, mientras existen mayores
aplicaciones con redes neuronales formuladas en manera clásica, determinada por el preceprtón
multicapa (MLP). La RNUP se diferencia sobre todo por el tipo de nodos, que son en forma
multiplicativa y no aditiva.
Lo que presetaremos en estas páginas será la RNUP aplicada al especifico problema de la
clasificación del riesgo de impago de las tarjetas de crédito, a traves de una base de datos llamada
German Credit Card, asociando 20 variabiles a 1000 poseedores de tarjeta de crédito y ponendolos
en dos categorías, según que exista o no el riesgo de impago.
En primer lugar se mostrará detalladamente la teoría de este modelo, comprensiva de un
cuadro de sus vantajas y desvantajas, y lo aplicaremos al problema que iremos a afrontar. Para
continuar, explicaremos como hemos optimizado la RNUP aplicando un algoritmo evolutivo, que
consiste en la realización de la red simultáneamente a la cuantificación de los corrispondentes
pesos, permitiendo de trabajar mejor en situación de discontinuidad. Para terminar, hemos realizado
una experimentación donde hemos comparados los resultados que hemos obtenido utiliazando el
modelo en examen, la RNUP, y los clásicos como el análisis discriminante y la regresión logística.
No nos olvidaremos además de ofrecer un esquema donde son resumidas las principales
carateristicas de los modelos clásicos.
Para concluir, como se puede evaluar da la comparación de los datos obtenidos con el utilizo
de más metodologías, la que presenta resultados mejores es la red neuronal basada en unidad
producto. Además, este estudio no se puede decir ya concluso. En efecto, en futuro, se podrá
realizar una investigación más completa que permitiría la simplificación del modelo y una su meyor
interpretación.
Alumno 2 (aprobado 22)
REDES NEURONALES EN UNIDADES PRODUCTO:
UN MODELO EVOLUTIVO PARA CLASIFICACIÓN
- Una investigación en el ámbito económico-financiero -
RESUMEN
En este trabajo se presenta el modelo no lineal denominado “Redes Neuronales en Unidades
Producto”(RNUP) y se describe su optimización por medio de la construcción de un algoritmo
evolutivo. Se analiza la posibilidad de aplicar esta metodología a problemas de clasificación y, en
particular, se realiza una investigación en el ámbito económico-financiero sobre el riesgo de impago
en tarjetas de crédito, utilizando una base de datos denominada “German Credit Card”. Para evaluar
la eficiencia del modelo RNUP se compara sus risultados con los que se obtienen con otros métodos
clásicos estadísticos, como la regresión logística y el análisis discriminante, y además con el modelo
perceptrón multicapa de redes neuronales. La comparación realizada muestra que el modelo RNUP
puede ser una alternativa eficiente en la resolución de problemas de clasificación en el ámbito
económico-financiero a los métodos clásicos estadísticos.
Palabras clave:
- Redes neuronales basadas en unidades producto (RNUP)
- Problema de clasificación
- Optimización de la función de error y Algoritmo Evolutivo
- Experimento práctico
- Comparación del modelo RNUP con métodos clásicos (AD,RL y MLPBP)
- RNUP es una alternativa interesante
Índice
I. INTRODUCCIÓN
METODOLOGÍAS
II. MODELOS LINEALES Y NO LINEALES EN CLASIFICACIÓN
III. REDES NEURONALES BASADAS EN UNIDADES PRODUCTO
A. Estructura funcional
B. Representación de la estructura funcional en una estructura de red neuronal
C. Ventajas y desventajas de las redes de unidades producto
D. Aplicación del modelo a problemas de clasificación
E. Sobre la función de error para clasificación: entropía
IV. ESTIMACIÓN DE LOS PARÁMETROS: ALGORITMO EVOLUTIVO
A. Estimación de los parámetros
B. Escalado
RESULTADOS
V. EXPERIMENTOS
A. Comparación con otros métodos: análisis discriminante (AD), regresión logística (RL) y MLPBP
VI. CONCLUSIONES Y TRABAJOS FUTUROS
AGRADECIMIENTOS
REFERENCIAS BIBLIOGRÁFICAS
Alumno 3 (aprobado 22)
LAS RADES NEURONALES BASADAS EN UNIDADES PRODUCTO
(RNUP): UNA ALTERNATIVA PARA LA RESOLUCIÓN DE PROBLEMAS
DE CLASIFICACIÓN Y DE PREDICCIÓN EN ECONOMÍA
El objetivo de este trabajo es comparar los diferentes métodos estadísticos que hay en
literatura al fin de descubrir cual es el más eficiente para resolver cuestiones de predicción y de
clasificación del riesgo en el ámbito económico y financiero. Por eso, para empezar hay una
presentación general de los modelos clásicos y de uno nuevo experimental llamado “redes
neuronales basadas en unidades producto (RNUP)” desarrollado en los últimos años y sus
aplicación financiera práctica sobre el riesgo de impago en tarjetas de crédito (la base de datos
denominada “German card). El análisis estadistístico de los datos evidencia que el mejor resultado
se obtiene a través de el modelo RNUP. Existe, en efecto, una diferencia significativa entre la
RNUP y el resto de las metodologías con un nivel de significación del 5%. En el presente trabajo,
por tanto, se muestra como RNUP (basado en nodo multiplicativo en vez de tipo aditivo como
aquellos clásicos) puede ser considerado una válida y eficiente alternativa para la resolución de
problema de clasificación. Aunque presenta un problema con la optimización de la función de error
asociada, que necesita de un algoritmo evolutivo a diferencia de los otros.
INTRODUCCIÓN
Para obtener una gestión financiera realmente eficiente, es muy importante tener a disposición datos
seguros sobre la cuantificación del riesgo, que no sean afectados por ruido y que sean bien
seleccionado entre aquellos dispersos en el mercado. Por tanto, las empresas bancarias y los
operadores financieros son interesados en tener criterios fiables que permitan de estimar el riesgo de
insolvencia para cada tipo de persona diferente (física y jurídica). De la misma manera, estos son
útiles en la economía real también para ayudar los empresarios a dominar algunas variables como:
la predicción de producción y de venta, la evolución de los márgenes de retorno...
En los estudios realizados hasta ahora, para solucionar este tipo de problema, hay dos
métodos estadísticos lineales que se usan en numerosas aplicaciones y que se basan en nodos de
tipo aditivo: el análisis discriminante y la regresión logística. Pero que todavía, presentan un límite
en el caso que las distribuciones de probabilidad de los datos alcanzan un nivel alto de “nolinealidad”. Y diferentes modelos no lineales para resolver problema de clasificación más
complejos.
En lo que sigue presentaremos, en cambio, un estudio más detallado sobre un método nuevo
desarollado en los últimos años y denominado “redes neuronales artificiales”, que está basado, en
vez, en nodos multiplicativos. En particular mostraremos un tipo de estas redes, escubiertas por
Durbin y Rumelhart en 1989 y llamadas “redes neuronales basadas en unidades producto (RNUP)”,
que no hay nunca utilizado por investigaciones científicas y tampoco en aplicaciones en área
económica y de finanzas.
Para empezar, explicaremos en líneas generales los principales modelos lineales y no
lineales en clasificación y sus límites. Después, presentaremos las estructuras funcional de las redes
neuronales basadas en unidades producto con sus ventajes y desventajes. Sucesivamente, para una
mejor comprención aplicaremos este método a problemas de clasificación y demostraremos la
exigencia de indroducir un algoritmo evolutivo para optimizar la función de error asociada.
Después, propondremos un experimento sobre el riesgo de impago en tarjetas de crédito y la
comparación de los resultados obtenidos con las redes neuronales y con los otros métodos clásicos,
para evaluar su rendimiento. En último ejemplificaremos algunas vías por el trabajo futuro que se
abren gracias a esto tipo de estudio.
En pocas palabras, en estas páginas entendimos demostrar la aportacíon que habrá en
economía y sobre todo en finanzas el uso de esta nueva metodología propuesta. Sin duda creemos
que las redes neuronales serían una herramienta muy eficiente para solucionar cuestiones como
predicción, clasificación del riesgo y la seleccion de información dispersa en los mercados y que,
por eso, se podrían considerar como una alternativa interesante en el ámbito económico y de
finanzas a los métodos estadísticos clásicos.
Alumno 4 (aprobado 20)
Estudio de las redes neuronales de unidades producto en el problema de clasificación
El objetivo de este trabajo es examinar la posibilidad de una utilización financiera de un particular
tipo de redes neuronales: las redes de unidades producto.
En el texto el estudio se basa sobre la clasificación del impago de tarjeta de crédito. Se consideran
redes neuronales formadas de nodos multiplicativos y compuestos de exponentes reales; Se puede
decir que las redes de unidades producto son aproximadores universales. La estructura de red se
basa en algoritmos evolutivos porque son adecuados para estimar los pesos de conexiones.
En el estudio se hacen experimentos en base de datos para una confrontación con otras
metodologías y se elige que las redes de unidades producto pueden ser un buen método de
clasificación en aprendizaje.
Lista:
Redes neuronales artificiales
Clasificación
Redes neuronales de unidades producto
Nodos multiplicativos
Algoritmos evolutivos
Experimentos
Introducción
Este trabajo se ocupa de las redes neuronales artificiales de unidades
producto para una aplicación en los problemas de clasificación en ámbito
económico. Existen muchos modelos lineales y no lineales que se estudiaron
con métodos clásicos, pero en este caso se consideran redes basadas en
unidades producto.
El concepto fundamental de este estudio se basa sobre familias de
funciones compuestas de muchas partes; Por esto se debe organizar la
estructura en nodos. El proceso de estas redes neuronales asigna el patrón a
una clase que sea la más justa posible, secundo la idea que se considera un
valor de una variable para asignar el patrón; Además de esto se aplican
técnicas de computación evolutiva para reducir los errores. Para determinar los
pesos se eligió de usar técnicas de programación evolutiva. Este método se
cree que sea lo mejor porque no tiene todos los problemas que los otros
métodos clásicos.
En el concreto se usaron datos “German Card” para poder hacer
experimentos en base de datos. Se hizo una comparación entre este modelo y
los modelos MLPBP, Análisis Discriminante y Regresión Logística para examinar
cual es el mejor; El resultado final es que el mejor es el algoritmo ejecutivo
basado en unidades producto.
En nuestra opinión las redes neuronales producto se pueden considerar
aproximadotes universales.
Para llegar a esto resultado se consideraron muchas posibilidades de
trabajo, desde lo métodos clásicos hasta los más recientes y particulares
además se confrontaron estos diferentes tipos en experimentos.
Al final se pueden elegir las redes neuronales de unidades producto como
un buen método para la clasificación en ámbito económico, aunque no sea
utilizado mucho en ciencias de la computación o en otros casos científicos.
Descargar

REDES NEURONALES DE UNIDADES PRODUCTO:

“INTELIGENCIA ARTIFICIAL” tecnicas

“INTELIGENCIA ARTIFICIAL” tecnicas

Sistemas ExpertosRedes neuronalesConputaciónAplicacionesInformáica

Redes neuronales en videojuegos

Redes neuronales en videojuegos

Inteligencia artificialModelos computacionalesDiversiónJuegosDiseñosInformática de sistemasAprendizaje

Inteligencia artificialPerceptrónRosemblattNeuronasSinapsisSistemas ExpertosConexión y tecnología neuronalMonocapa y multicapa

Econometría Aplicada

Econometría Aplicada

Medida de las variablesMínimos cuadradosEspecificación erróneaMáxima verosimilitud

Examen informática básica

Examen informática básica

TransformacionesAlgoritmosMétricaIluminación