Artículo

Funciones Núcleo en un Espacio de Órdenes de Magnitud Absolutos

F.J. Ruiz¹ , C. Angulo¹, N. Agell², X. Rovira², R. Campos² y M. Sanchez³

¹ Depto. de Ingeniería de Sistemas. Universitat Politécnica de Catalunya Av. Víctor Balaguer s/n. Vilanova i G. (Spain) fjruiz@mat.upc.es ; cecilio.angulo@upc.es

² Departamento de Métodos Cuantitativos. ESADE– Universitat Ramon Llull Av. Pedralbes 62–65. 08034 Barcelona (Spain) agell@esade.edu ; rovira@esade.edu ; r.campos.e@esade.edu

³ Departamento de Matemática Aplicada II. Universitat Politécnica de Catalunya C. Pau Gargallo, 5, 08028 Barcelona (Spain) monica.sanchez@.upc.es

Resumen

Los algoritmos de aprendizaje basados en Funciones Núcleo, particularmente las Máquinas de Soporte Vectorial (MSV), han proporcionado buenos resultados en problemas de clasificación con patrones de entrada no separables linealmente. El uso de las Funciones Núcleo permite aplicar estos algoritmos de inferencia incluso sobre información proveniente de un conjunto sin estructura de espacio euclideo. Al considerar una Función Núcleo, los datos se proyectan de forma implícita sobre un nuevo espacio de características cuya estructura es exportada hacia el espacio de origen.

En este trabajo se analiza una Función Núcleo que actúa sobre datos que pertenecen a un Espacio Cualitativo de Ordenes de Magnitud Absolutos. El diseño de esta Función Núcleo está inspirado en recientes métodos elaborados sobre Máquinas Núcleo para espacios discretos de trabajo. Como ilustración se presenta una aplicación de estos sistemas de aprendizaje en el campo financiero, concretamente en la modelización del riesgo de crédito. Se estudia los resultados de predicción de riesgo crediticio de un conjunto de empresas que entregan información pública al mercado. Para ello se utilizan variables económico–financieras de las compañías y su clasificación de riesgo emitida por una conocida evaluadora del mercado financiero.

Palabras clave: Aprendizaje Automático, Máquinas de Soporte Vectorial, Funciones Núcleo, Razonamiento Cualitativo.

DESCARGAR ARTÍCULO EN FORMATO PDF

Agradecimientos

Este trabajo ha sido parcialmente subvencionado por el proyecto coordinado MERITO (análisis y desarrollo de técnicas innovadoras de soft–computing con integración de conocimiento experto: una aplicación a la medición del riesgo financiero de crédito), financiado por el Ministerio de Ciencia y Tecnología (TIC2002–04371–C02).

Bibliografia

1. Agell, N. Estructures matemátiques per al model qualitatiu d'ordres de magnitud absoluts. Ph. D. Thesis Universitat Politécnica de Catalunya. 1998.        [ Links ]

2. Altman, E.I. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. Journal of Finance, Vol XXIII, Issue 4, Sept. 1968. p.589–609.        [ Links ]

3. Altman, E.I. Corporate Financial Distress and Bankruptcy: A Complete Guide to Predicting & Avoiding Distress and Profiting from Bankruptcy 2nd ed. New York. John Wiley & Sons, ISBN: 0–471–55253–4. 1993.        [ Links ]

4. Angulo, C. Aprendizaje con máquinas núcleo en entornos de multiclasificación. Ph. D. Thesis Universitat Politécnica de Catalunya. 2001.        [ Links ]

5. Baesens, B., Van Gestel, T., Viaene, S., Stepanova, M., Suykens, J.A.K., Vanthienen, J. Benchmarking state–of–the–art classification algorithms for credit scoring. Journal of the Operational Research Society. Oxford: June 2003, Vol.54. Iss.6, pp.627.        [ Links ]

6. Cristianini, N., Shawe–Taylor, J. An introduction to Support Vector Machines and other Kernel–based learning methods. Cambridge University Press. 2000.        [ Links ]

7. Fan, A., Palaniswami, M. Selecting bankruptcy predictors using a support vector machine approach. Neural Networks, IJCNN 2000, Proceedings of the IEEE–INNS–ENNS International Joint Conference on, Volume: 6, 24–27 July 2000, Page(s): 354 –359 vol.6.        [ Links ]

8. Forbus, K.D. Commonsense physics. Annals Revue of Computer Science, 1988 pág. 197–232.        [ Links ]

9. Li, R.Z., Pang, S.L., Xu, J.M. Neural network credit–risk evaluation model based on back–propagation algorithm. Machine Learning and Cybernetics, Proceedings. 2002 International Conference on, Volume: 4, 4–5 Nov. 2002, Page(s): 1702 –1706 vol.4.        [ Links ]

10. Malhotra, R., Malhotra, D.K. Differentiating between goods credits and bad credits using neuro–fussy–systems. European Journal of Operation Research. Amsterdam: Jan 1, Vol.136, Iss.1, 2002. PP. 190.        [ Links ]

11. Pang, S.L., Wang, Y.M., Bai, Y.H. Credit scoring model based on neural network. Machine Learning and Cybernetics. Proceedings. 2002 International Conference on, Volume: 4, 4–5 Nov. 2002 Page(s): 1742 –1746 vol.4.        [ Links ]

12. Sánchez, M., Prats, F., Agell, N., Rovira, X. Funciones kernel en espacios cualitativos de órdenes de magnitud: Aplicación a la evaluación del riesgo de crédito. Actas de la X Conferencia de la Asociación Española para la Inteligencia Artificial CAEPIA'03. Nov 2003 vol I pp 69–78.        [ Links ]

13. Travé–Massuyés, L., Dague, P., Guerrin, F. Le Raisonnement Qualitatif pour les Sciences de l'Ingenieur. Hermés. 1997.        [ Links ]

14. Vapnik, V. The nature of statistical learning theory. Springer Verlag New York. 1995.        [ Links ]

15. West, D. Neural network credit scoring models. Computers & Operations Research, New York: Sep/Oct 2000. Vol. 27, Iss.11, 12, pp. 1131.        [ Links ]