Por favor, use este identificador para citar o enlazar este ítem: http://bibdigital.epn.edu.ec/handle/15000/12460
Título : Programación lineal multicriterio y minimización del error en problemas de clasificación: aplicación en la calificación crediticia
Autor : Pucuji Jácome, Edwin Augusto
Palabras clave : Investigación de operaciones
Vectores
Estadística
Fecha de publicación : 14-dic-2015
Editorial : Quito, 2015.
Citación : Pucuji Jácome, E. A. (2015). Programación lineal multicriterio y minimización del error en problemas de clasificación: aplicación en la calificación crediticia. 188 hojas. Quito : EPN.
Resumen : The growth of microcredit with the international rules on capital requirements, driving competition between microfinance institutions (MFIs) and banks for this line of business. The financial system has credit score models that analyze the risk of default; however, this is not so in MFIs because their databases have a high degree of both irrelevant and redundant information, causing serious problems for many mathematical algorithms in terms of scalability and performance. This paper aims to study and implement different mathematical methods to tackle the problem of classification of creditworthiness, minimizing error, for classifying prospects of poor is the key to scoring model building step. The support vector machines (SVMs) have gained popularity for their ability to generalization and construction of complex nonlinear functions for classification. Moreover the algorithms based on linear programming and multi multiple restriction to tackle the problem simultaneously pursue two goals, the first is to maximize the minimum distances between observations and critical hyperplane, and the second is to minimize the sum of the deviations.
Descripción : El crecimiento de los microcréditos junto con la normativa internacional sobre requerimientos de capital, impulsan la competencia entre instituciones microfinancieras (IMFs) y entidades bancarias por esta línea de negocio. El sistema financiero cuenta con modelos de credit score que permiten analizar el riesgo de incumplimiento; sin embargo, esto no es así en las IMFs, pues sus bases de datos tienen un alto grado de información tanto irrelevante como redundante, causando serios problemas a muchos algoritmos matemáticos en términos de escalabilidad y rendimiento. El presente trabajo tiene como objetivo estudiar e implementar diferentes metodologías matemáticas para enfrentar el problema de clasificación de sujetos de crédito, minimizando el error, pues clasificar a los clientes potenciales de los deficientes es el paso fundamental para la construcción de modelos scoring. Las Máquinas de Vectores de Soporte (SVMs) han ganado popularidad gracias a su capacidad de generalización y construcción de complejas funciones no lineales para clasificación. Por otra parte los algoritmos basados en programación lineal multicriterio y de restricción múltiple para enfrentar el problema persiguen dos objetivos simultáneamente, el primero es el de maximizar las distancias mínimas entre las observaciones y el hiperplano crítico, y el segundo es minimizar la suma de las desviaciones.
URI : http://bibdigital.epn.edu.ec/handle/15000/12460
Aparece en las colecciones: Tesis Matemáticas (MAT)

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
CD-6644.pdf1,48 MBAdobe PDFVisualizar/Abrir


Este ítem está protegido por copyright original



Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.