Obtención de reglas de clasificación difusas utilizando técnicas de optimización : Caso de estudio Riesgo Crediticio

Mostrar todas las versiones(2)

El aporte central de esta tesis es la deﬁnición de un nuevo método capaz de generar un conjunto de reglas de clasiﬁcación difusas de fácil interpretación, baja cardinalidad y una buena precisión. Estas características ayudan a identiﬁcar y comprender las relaciones presentes en los datos facilitando...

Descripción completa

Guardado en:

Detalles Bibliográficos
Autor principal:	Jimbo Santana, Patricia Rosalía
Otros Autores:	Lanzarini, Laura Cristina
Formato:	Tesis Tesis de doctorado
Lenguaje:	Español
Publicado:	2020
Materias:	Ciencias Informáticas Reglas de Clasificación Difusas (Fuzzy Classification Rules) Optimización mediante cúmulo de partículas tamaño variable (Variable Particle Swarm Optimization) Minería de Datos
Acceso en línea:	http://sedici.unlp.edu.ar/handle/10915/101163 https://doi.org/10.35537/10915/101163
Aporte de:	SEDICI (UNLP) de Universidad Nacional de La Plata

id	I19-R120-10915-101163
record_format	dspace
spelling	I19-R120-10915-1011632023-06-09T18:39:22Z http://sedici.unlp.edu.ar/handle/10915/101163 https://doi.org/10.35537/10915/101163 Obtención de reglas de clasificación difusas utilizando técnicas de optimización : Caso de estudio Riesgo Crediticio Jimbo Santana, Patricia Rosalía 2020-07-14 2020 2020-08-03T15:02:30Z Lanzarini, Laura Cristina Bariviera, Aurelio F. Errecalde, Marcelo Luis Leguizamón, Mario Guillermo Olivas Varela, José Ángel es Ciencias Informáticas Reglas de Clasificación Difusas (Fuzzy Classification Rules) Optimización mediante cúmulo de partículas tamaño variable (Variable Particle Swarm Optimization) Minería de Datos El aporte central de esta tesis es la deﬁnición de un nuevo método capaz de generar un conjunto de reglas de clasiﬁcación difusas de fácil interpretación, baja cardinalidad y una buena precisión. Estas características ayudan a identiﬁcar y comprender las relaciones presentes en los datos facilitando de esta forma la toma de decisiones. El nuevo método propuesto se denomina FRvarPSO (Fuzzy Rules variable Particle Swarm Oprmization) y combina una red neuronal competitiva con una técnica de optimización basada en cúmulo de partículas de población variable para la obtención de reglas de clasiﬁcación difusas, capaces de operar sobre atributos nominales y numéricos. Los antecedentes de las reglas están formados por atributos nominales y/o condiciones difusas. La conformación de estas últimas requiere conocer el grado de pertenencia a los conjuntos difusos que deﬁnen a cada variable lingüística. Esta tesis propone tres alternativas distintas para resolver este punto. Uno de los aportes de esta tesis radica en la deﬁnición de la función de aptitud o ﬁtness de cada partícula basada en un ”Criterio de Votación” que pondera de manera difusa la participación de las condiciones difusas en la conformación del antecedente. Su valor se obtiene a partir de los grados de pertenencia de los ejemplos que cumplen con la regla y se utiliza para reforzar el movimiento de la partícula en la dirección donde se encuentra el valor más alto. Con la utilización de PSO las partículas compiten entre ellas para encontrar a la mejor regla de la clase seleccionada. La medición se realizó sobre doce bases de datos del repositorio UCI (Machine Learning Repository) y tres casos reales en el área de crédito del Sistema Financiero del Ecuador asociadas al riesgo crediticio considerando un conjunto de variables micro y macroeconómicas. Otro de los aportes de esta tesis fue haber realizado una consideración especial en la morosidad del cliente teniendo en cuenta los días de vencimiento de la cartera otorgada; esto fue posible debido a que se tenía información del cliente en un horizonte de tiempo, una vez que el crédito se había concedido Se veriﬁcó que con este análisis las reglas difusas obtenidas a través de FRvarPSO permiten que el oﬁcial de crédito de respuesta al cliente en menor tiempo, y principalmente disminuya el riesgo que representa el otorgamiento de crédito para las instituciones ﬁnancieras. Lo anterior fue posible, debido a que al aplicar una regla difusa se toma el menor grado de pertenencia promedio de las condiciones difusas que forman el antecedente de la regla, con lo que se tiene una métrica proporcional al riesgo de su aplicación. Tesis en cotutela con la Universitat Rovira i Virgili (URV) (España). Facultad de Informática Tesis Tesis de doctorado http://creativecommons.org/licenses/by-nc-nd/4.0/ Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) application/pdf
institution	Universidad Nacional de La Plata
institution_str	I-19
repository_str	R-120
collection	SEDICI (UNLP)
language	Español
topic	Ciencias Informáticas Reglas de Clasificación Difusas (Fuzzy Classification Rules) Optimización mediante cúmulo de partículas tamaño variable (Variable Particle Swarm Optimization) Minería de Datos
spellingShingle	Ciencias Informáticas Reglas de Clasificación Difusas (Fuzzy Classification Rules) Optimización mediante cúmulo de partículas tamaño variable (Variable Particle Swarm Optimization) Minería de Datos Jimbo Santana, Patricia Rosalía Obtención de reglas de clasificación difusas utilizando técnicas de optimización : Caso de estudio Riesgo Crediticio
topic_facet	Ciencias Informáticas Reglas de Clasificación Difusas (Fuzzy Classification Rules) Optimización mediante cúmulo de partículas tamaño variable (Variable Particle Swarm Optimization) Minería de Datos
description	El aporte central de esta tesis es la deﬁnición de un nuevo método capaz de generar un conjunto de reglas de clasiﬁcación difusas de fácil interpretación, baja cardinalidad y una buena precisión. Estas características ayudan a identiﬁcar y comprender las relaciones presentes en los datos facilitando de esta forma la toma de decisiones. El nuevo método propuesto se denomina FRvarPSO (Fuzzy Rules variable Particle Swarm Oprmization) y combina una red neuronal competitiva con una técnica de optimización basada en cúmulo de partículas de población variable para la obtención de reglas de clasiﬁcación difusas, capaces de operar sobre atributos nominales y numéricos. Los antecedentes de las reglas están formados por atributos nominales y/o condiciones difusas. La conformación de estas últimas requiere conocer el grado de pertenencia a los conjuntos difusos que deﬁnen a cada variable lingüística. Esta tesis propone tres alternativas distintas para resolver este punto. Uno de los aportes de esta tesis radica en la deﬁnición de la función de aptitud o ﬁtness de cada partícula basada en un ”Criterio de Votación” que pondera de manera difusa la participación de las condiciones difusas en la conformación del antecedente. Su valor se obtiene a partir de los grados de pertenencia de los ejemplos que cumplen con la regla y se utiliza para reforzar el movimiento de la partícula en la dirección donde se encuentra el valor más alto. Con la utilización de PSO las partículas compiten entre ellas para encontrar a la mejor regla de la clase seleccionada. La medición se realizó sobre doce bases de datos del repositorio UCI (Machine Learning Repository) y tres casos reales en el área de crédito del Sistema Financiero del Ecuador asociadas al riesgo crediticio considerando un conjunto de variables micro y macroeconómicas. Otro de los aportes de esta tesis fue haber realizado una consideración especial en la morosidad del cliente teniendo en cuenta los días de vencimiento de la cartera otorgada; esto fue posible debido a que se tenía información del cliente en un horizonte de tiempo, una vez que el crédito se había concedido Se veriﬁcó que con este análisis las reglas difusas obtenidas a través de FRvarPSO permiten que el oﬁcial de crédito de respuesta al cliente en menor tiempo, y principalmente disminuya el riesgo que representa el otorgamiento de crédito para las instituciones ﬁnancieras. Lo anterior fue posible, debido a que al aplicar una regla difusa se toma el menor grado de pertenencia promedio de las condiciones difusas que forman el antecedente de la regla, con lo que se tiene una métrica proporcional al riesgo de su aplicación.
author2	Lanzarini, Laura Cristina
author_facet	Lanzarini, Laura Cristina Jimbo Santana, Patricia Rosalía
format	Tesis Tesis de doctorado
author	Jimbo Santana, Patricia Rosalía
author_sort	Jimbo Santana, Patricia Rosalía
title	Obtención de reglas de clasificación difusas utilizando técnicas de optimización : Caso de estudio Riesgo Crediticio
title_short	Obtención de reglas de clasificación difusas utilizando técnicas de optimización : Caso de estudio Riesgo Crediticio
title_full	Obtención de reglas de clasificación difusas utilizando técnicas de optimización : Caso de estudio Riesgo Crediticio
title_fullStr	Obtención de reglas de clasificación difusas utilizando técnicas de optimización : Caso de estudio Riesgo Crediticio
title_full_unstemmed	Obtención de reglas de clasificación difusas utilizando técnicas de optimización : Caso de estudio Riesgo Crediticio
title_sort	obtención de reglas de clasificación difusas utilizando técnicas de optimización : caso de estudio riesgo crediticio
publishDate	2020
url	http://sedici.unlp.edu.ar/handle/10915/101163 https://doi.org/10.35537/10915/101163
work_keys_str_mv	AT jimbosantanapatriciarosalia obtenciondereglasdeclasificaciondifusasutilizandotecnicasdeoptimizacioncasodeestudioriesgocrediticio
_version_	1768268480704937984

Obtención de reglas de clasificación difusas utilizando técnicas de optimización : Caso de estudio Riesgo Crediticio

Ejemplares similares