Descargar 134.92 Kb.


Página3/9
Fecha de conversión28.03.2018
Tamaño134.92 Kb.

Descargar 134.92 Kb.

Nueva herramienta para la gestión: Medición de la probabilidad de insolvencia, asistida por Redes Neuronales. Dra. Nélida Porto Serantes


1   2   3   4   5   6   7   8   9

2. METODOLOGÍA PROPUESTA

La metodología que presentamos, a la que hemos denominado "RENEVA" (acrónimo de "Red Neuronal Virtual de Apoyo a la decisión"), se basa en la utilización de una Red Neuronal Virtual (RNV) diseñada y entrenada no para representar la realidad directamente, sino para reproducir el funcionamiento de una técnica a la que pretende complementar, con sólo una parte de los datos que ésta requeriría. En el caso que estamos presentando, se creó una red neuronal capaz de suplantar a un credit scoring del segundo grupo de los mencionados (es decir, basado en el análisis estadístico), en un ambiente de carencia de algunos datos. Ello es posible merced a la capacidad generalizadora de las Redes Neuronales y a la "no linealidad" que caracteriza su funcionamiento.

Hemos de aclarar que denominamos Red Neuronal Virtual a un programa de ordenador que ejecuta un proceso secuencial que, mediante bucles anidados, simula el procesamiento paralelo propio de las Redes Neuronales Artificiales (RNA)7, las cuales, a su vez, "están inspiradas en el modelo de la neurona biológica, usando unidades elementales de procesamiento que mimetizan algunas de las características de las neuronas biológicas" (Sierra, Bonsón, Nuñez y Orta, 1995, pág. 28).

El procedimiento que proponemos, se compone de cinco etapas sucesivas:



    1. Diseño topológico de una Red Neuronal Virtual (RNV) adecuada para la técnica concreta a complementar.

    2. Generación informática de ejemplos para un aprendizaje supervisado.

    3. Entrenamiento de la RNV.

    4. Prueba del funcionamiento de la RNV

    5. Diseño del programa informático de asistencia en la decisión que emplea la técnica original o, subsidiariamente, la Red Neuronal Virtual creada.

Aunque nada impide a priori el empleo de cualquier tipo de Red Neuronal Artificial, dadas las características de la metodología que estamos describiendo, nosotros proponemos el empleo de Redes Neuronales multicapa, feed-forward8, esto es, de propagación hacia delante, con aprendizaje supervisado tipo retropropagación9, es decir, mediante la minimización del error de salida, a través de la asignación de nuevos pesos de conexión. Gráficamente se corresponde con la figura de la ilustración siguiente:

Ilustración 1: Arquitectura de una red neuronal feed-forward.

Lo más característico de este tipo de Redes Neuronales es el entrenamiento, en el cual se presenta a la Red un conjunto predefinido de pares de vectores de entrada y vectores de salida dados como ejemplos, en dos fases:



  • PROPAGACIÓN: en ella se aplica el vector de entrada como estímulo para la capa de entrada de la Red y, mediante la función de activación, se va propagando la señal a través de la capa oculta hasta generar una salida.

  • ADAPTACIÓN: Se compara la salida obtenida con la deseada y se calcula una señal de error para cada unidad de salida. Las señales de error así obtenidas se propagan hacia atrás, aplicando a cada nodo de la capa intermedia una fracción del error proporcional a la contribución relativa que haya aportado a la salida, procediendo al ajuste de los pesos sinápticos mediante la regla Delta generalizada10.

El objetivo de este trabajo es efectuar una demostración práctica de la metodología RENEVA, mediante su aplicación a un sencillo credit scoring, utilizado como técnica de apoyo en las decisiones enmarcadas en la Política de Crédito de una empresa.
A modo de demostración, a continuación describiremos paso a paso el procedimiento seguido para la creación de una RNV, capaz de asistir al credit scoring descrito en el epígrafe anterior en un ambiente de incertidumbre, que se manifiesta en la no disponibilidad (o, al menos, la incapacidad de verificar) algunos datos.

En este caso, las cinco etapas de que consta la metodología RENEVA, se concretaron en el siguiente esquema:



  1. Elección del credit scoring a complementar;

  2. A la luz de los datos de entrada que requiere y la configuración que adopta la salida (resultado) que proporciona, se diseñó una Red Neuronal Virtual (RNV) de tres capas, feed-forward, esto es, de propagación hacia delante, con aprendizaje supervisado tipo back-propagation, es decir, mediante la minimización del error de salida, a través de la asignación de nuevos pesos de conexión.

  3. Se generó informáticamente un conjunto de ejemplos a partir de datos obtenidos aleatoriamente y tratados mediante el credit scoring elegido. Se entrenó la RNV con los ejemplos obtenidos a los que, aleatoriamente, se les incorporaba ruido, esto es, se les suprimía algún dato.

  4. Se "validó" la Red entrenada, comparando las salidas que proporciona con las del credit scoring a complementar, presentándole un nuevo conjunto de ejemplos de prueba, generados de forma semejante al del apartado 2. También se comprobó el funcionamiento de la Red Neuronal Virtual con ejemplos a los que se había suprimido algún dato, evaluando sus aciertos y equivocaciones.

  5. Finalmente, se construyó el programa informático capaz de presentar resultados: A) con el credit scoring convencional si tenemos todos los datos; B) con la RNV si falta algún dato, expresando una categoría y el índice de confianza que merece la clasificación obtenida.

Los algoritmos de generación de ejemplos, de entrenamiento y de validación de la RNV fueron creados con una versión del lenguaje Qbasic, puesto que se deseaba sencillez de programación y rapidez de cálculo. En cambio, el programa informático de la última etapa, se desarrolló en Visual Basic, buscando la facilidad de uso y una fácil integración en el entorno Windows.

Dado que el programa de la última etapa es irrelevante para los objetivos de este trabajo, omitiremos su descripción limitándonos, a continuación, a explicar en detalle únicamente las cuatro primeras etapas y los resultados alcanzados.




1   2   3   4   5   6   7   8   9

Similar:

Nueva herramienta para la gestión: Medición de la probabilidad de insolvencia, asistida por Redes Neuronales. Dra. Nélida Porto Serantes iconRedes neuronales de unidades producto
Las redes neuronales en unidades producto: teoría del modelo y su aplicación a problemas de clasificación del riesgo
Nueva herramienta para la gestión: Medición de la probabilidad de insolvencia, asistida por Redes Neuronales. Dra. Nélida Porto Serantes iconModelado de la frecuencia fundamental mediante redes neuronales para síntesis de voz en dominio restringido
Excel es uno de los componentes básicos de Office, es una aplicación englobada dentro de la categoría de hojas de cálculo, y sin...
Nueva herramienta para la gestión: Medición de la probabilidad de insolvencia, asistida por Redes Neuronales. Dra. Nélida Porto Serantes iconDistribuciones de probabilidad
En la unidad anterior se analizó el concepto de probabilidad. El objetivo era determinar la probabilidad de un evento. En esta unidad...
Nueva herramienta para la gestión: Medición de la probabilidad de insolvencia, asistida por Redes Neuronales. Dra. Nélida Porto Serantes iconProbabilidad
Sabiendo que es abedul, la probabilidad de que esté sano es 8 y sabiendo que es abeto, la probabilidad de que esté enfermo es de
Nueva herramienta para la gestión: Medición de la probabilidad de insolvencia, asistida por Redes Neuronales. Dra. Nélida Porto Serantes iconAnálisis de redes sociales 3 cr
Análisis de redes sociales”. En esta nueva edición se contará con la participación de especialistas procedentes de otras Universidades,...
Nueva herramienta para la gestión: Medición de la probabilidad de insolvencia, asistida por Redes Neuronales. Dra. Nélida Porto Serantes iconActa nº 005-2018-cf acta de Sesión Ordinaria del Consejo de Facultad de la Facultad de Ciencias de la Salud
Allao, bajo la presidencia de la Decana Dra. Arcelia Olga Rojas Salazar, Dra. Angélica Díaz Tinoco, Dra. Ana Lucy Siccha Macassi,...
Nueva herramienta para la gestión: Medición de la probabilidad de insolvencia, asistida por Redes Neuronales. Dra. Nélida Porto Serantes iconNueva Iniciativa Utiliza el Bambú como Herramienta Clave para Combatir la Pobreza y el Cambio Climático en America Latina

Nueva herramienta para la gestión: Medición de la probabilidad de insolvencia, asistida por Redes Neuronales. Dra. Nélida Porto Serantes iconFormulario nivel 3 Definiciones iniciales para la medicion de actividades de vinculaciÓn (AV)
Av se encuentren desplegadas en múltiples espacios académicos y niveles de gestión y que no sean visibles de manera homogénea. Por...
Nueva herramienta para la gestión: Medición de la probabilidad de insolvencia, asistida por Redes Neuronales. Dra. Nélida Porto Serantes iconPrograma para la transformación de las redes de salud y eficiencia de la gestión sanitaria

Nueva herramienta para la gestión: Medición de la probabilidad de insolvencia, asistida por Redes Neuronales. Dra. Nélida Porto Serantes iconControl de la gestión basada en actividades
Los tableros de control permiten abordar visiones integrales de la realidad empresarial; como instrumento operativo se constituye...

Página principal
Contactos

    Página principal



Nueva herramienta para la gestión: Medición de la probabilidad de insolvencia, asistida por Redes Neuronales. Dra. Nélida Porto Serantes

Descargar 134.92 Kb.