Mostrar el registro sencillo del ítem

dc.contributor.advisorChue Gallardo, Jorge
dc.contributor.authorMuñoz Muñoz, Emanuel Guillermo
dc.date.accessioned2016-08-02T15:58:00Z
dc.date.available2016-08-02T15:58:00Z
dc.date.issued2015
dc.identifier.otherE13.M8-T BAN UNALM
dc.identifier.urihttps://hdl.handle.net/20.500.12996/1748
dc.descriptionUniversidad Nacional Agraria La Molina. Escuela de Posgrado. Maestría en Estadística Aplicadaes_PE
dc.description.abstractEl 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 niveleses_PE
dc.description.abstractThe purpose of this paper is to present and apply the technique of neural networks in order to predict the success of the debt purchase of a financial entity to another. The neural network technique is based on the multilayer perceptron and back propagation algorithm. The use of the technique explains showing different steps: Establishing the structure, the activation function (sigmoid), the learning paradigm, the learning factor, the learning rule, the learning algorithm (back propagation), training and the neural network evaluation. A pre-processing for having data quality, with these clean data was applied the neural networks technique the classification and for evaluating this classification the post processing was performed, one can see that this process is data mining. The highlights in neural networks are the values found for the parameters identified through training. These parameters are called dynamic weights, these weights is the knowledge of the neural network to accomplish the prediction. The classification error obtained by applying to the test data to the neural network trained with the specifications already mentioned was 22.89% and 4.31% for the network of four two neurons in the output layer respectively. When testing with more than seven neurons errors similar or higher ratings were obtained, this was achieved with a greater computational cost. Comparing the results of the same data with logistic regression, these classification errors were obtained 22.89% and 4.31% for the response variable data with four and two kinds respectively. In addition, classification models with the cross-validation technique, in this case 76.57% and 77.29% are percentages prediction efficiency logistic regression and neural networks respectively, only for cases evaluated was obtained where the variable response data was four levelsen_US
dc.description.uriTesises_PE
dc.formatapplication/pdfen_US
dc.language.isospaes_PE
dc.publisherUniversidad Nacional Agraria La Molinaes_PE
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.sourceUniversidad Nacional Agraria La Molinaes_PE
dc.sourceRepositorio institucional - UNALMes_PE
dc.subjectRegresión logísticaes_PE
dc.subjectRedes neuronaleses_PE
dc.subjectBancoses_PE
dc.subjectInstituciones financierases_PE
dc.subjectRedes neuronaleses_PE
dc.subjectMétodos estadísticoses_PE
dc.subjectDeudases_PE
dc.subjectCompraes_PE
dc.subjectModelos econométricoses_PE
dc.subjectAnálisis de datoses_PE
dc.subjectEvaluaciónes_PE
dc.subjectPerúes_PE
dc.titleAplicación de redes neuronales y regresión logística para predecir el éxito de la compra de deuda de una entidad financieraes_PE
dc.typeinfo:eu-repo/semantics/masterThesisen_US
thesis.degree.disciplineEstadística Aplicadaes_PE
thesis.degree.grantorUniversidad Nacional Agraria La Molina. Escuela de Posgradoes_PE
thesis.degree.nameMagister Scientiae - Estadística Aplicadaes_PE
thesis.degree.levelMaestríaes_PE
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#4.05.00es_PE


Ficheros en el ítem

Thumbnail
Thumbnail
Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

info:eu-repo/semantics/openAccess
Excepto si se señala otra cosa, la licencia del ítem se describe como info:eu-repo/semantics/openAccess