Bibliographic citations
Muñoz, E., (2015). Aplicación de redes neuronales y regresión logística para predecir el éxito de la compra de deuda de una entidad financiera [Tesis, Universidad Nacional Agraria La Molina]. https://hdl.handle.net/20.500.12996/1748
Muñoz, E., Aplicación de redes neuronales y regresión logística para predecir el éxito de la compra de deuda de una entidad financiera [Tesis]. : Universidad Nacional Agraria La Molina; 2015. https://hdl.handle.net/20.500.12996/1748
@mastersthesis{sunedu/3016928,
title = "Aplicación de redes neuronales y regresión logística para predecir el éxito de la compra de deuda de una entidad financiera",
author = "Muñoz Muñoz, Emanuel Guillermo",
publisher = "Universidad Nacional Agraria La Molina",
year = "2015"
}
El propósito de este trabajo es presentar y aplicar la técnica de redes neuronales para predecir el éxito de la compra de deuda de una entidad financiera a otra. La técnica de redes neuronales se sustenta en el perceptron multicapa y en el algoritmo de retropropagación. Se explica el uso de la técnica mostrando sus diferentes pasos: establecimiento de la estructura, la función de activación (sigmoidea), el paradigma de aprendizaje, el factor de aprendizaje, la regla de aprendizaje, el algoritmo de aprendizaje (retropropagación), el entrenamiento y la evaluación de la red neuronal. Se realizó un pre procesamiento para tener datos de calidad, con estos datos limpios se aplicó la técnica de redes neuronales en la clasificación y para evaluar esta clasificación se realizó el post procesamiento, se puede notar que todo este proceso es minería de datos. Lo más resaltante en las redes neuronales son los valores hallados para los parámetros, identificados a través del entrenamiento. Estos parámetros son denominados pesos dinámicos, en estos pesos está el conocimiento de la red neuronal para poder lograr la predicción. El error de clasificación que se obtiene al aplicar a los datos de prueba a la red neuronal entrenada con las especificaciones ya señaladas fue de 22.89% y 4.31% para la red de cuatro y dos neuronas en la capa de salida respectivamente. Al probar con más de siete neuronas se obtuvieron errores de clasificaciones similares o mayores, esto se logró con un mayor costo computacional. Al comparar los resultados de los mismos datos con la regresión logística, se obtuvieron estos errores de clasificación 22.72% y 4.31% para los datos con la variable respuesta de cuatro y dos clases respectivamente.También evaluaron los modelos de clasificación con la técnica de validación cruzada, en este caso se obtuvo 76.57% y 77.29% que son los porcentajes de la eficiencia de predicción de redes neuronales y regresión logística respectivamente, solo para los casos donde la variable respuesta de los datos era de cuatro niveles
This item is licensed under a Creative Commons License