Aprendizaje automático y modelos de clasificación

##plugins.themes.bootstrap3.article.main##

Luis Jaime Andrade González

Jairo Cervantes Puente



Resumen

Eldocumento presenta las características más importantes de  modelos de clasificación basados en análisisdiscriminante y  máquinas de vectoressoporte, siendo el análisis discriminante un método que permite identificar lascaracterísticas que diferencian a dos o más grupos. Por otro lado las máquinasde vectores de soporte constituyen nuevas estructuras de aprendizaje automáticoque han demostrado un excelente desempeño en aplicaciones de clasificación. Lainformación utilizada para el entrenamiento y validación de las metodologíaspropuestas, está constituida por un conjunto de indicadores de gestiónadministrativa y financiera correspondientes a 221 Gobiernos AutónomosDescentralizados Municipales.

The paper presents the main features of classification models based on discriminant analysis and support vector machines, with the discriminant analysis method to identify the characteristics that differentiate two or more groups, and create a function that can distinguish the accurately as possible to members of either group. On the other hand, support vector machine are machine learning new structures that have demonstrated excellent performance in classification applications. The information used for training and validation of the methodologies proposed, consists of a set of administrative and financial management for Decentralized Autonomous Municipal Government 221.


 

Descargas

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Biografías de los autores/as

Luis Jaime Andrade González, Escuela Politécnica Nacional

Departamento de MatemáticaProfesor

Jairo Cervantes Puente, Escuela Politécnica Nacional

Facultad de Ciencias

Citas

E. Arriaga,Finanzas públicas en México. México, Instituto Politécnico Nacional,2001.

A. Barreiros, Introducción General: Gerencia financiera. Ecuador, Escuela Politécnica Nacional, 2005.

P. Barrera, Máquinas de vectores de soporte para procesado de secuencias: el kernel de Fisher en secuencias bioinformáticas. España, Universidad Carlos III de Madrid, 2002.

G. Betancourt, Las máquinas de soporte vectorial. Colombia, Pereira, 2005

M. Césari, Aprendizaje automático con WEKA. España, 2007.

C Cuadras, Nuevos métodos de análisis multivariante. España, Barcelona,2001.

B. Estrada, C. Mera, Support Vector Machine. Colombia: Universidad Nacional de Colombia, 2006.

S. Gunn,. Support vector machines for classification and regression. EEUU, 1977.

E. López,Modelo mixto de Credit Scoring construido con Análisis discriminante y el Algoritmo de Kohonen. Valoración de las componentes de riesgo según Basilea II. España, Universidad de Sevilla, 2005.

A. Mahalanobis, Prasanta Chandra Mahalanobis. India, 1930.

A. Mendoza, P. Gómez, Herramientas para el pronóstico de calificación crediticia de las finanzas Públicas en México: Redes Neuronales Artificiales, Modelo Probit Ordenado y Análisis Discriminante. México, Tecnológico de Monterrey, 2009.

D. Peña, Análisis de datos multivariante. España, Madrid, 2002.

Superintendencia de Bancos y Seguros.De la gestión y administración de riesgos. Resolución Nº JB-2003-601.27

Superintendenciade Bancos y Seguros. De la administración del riesgo de crédito. Resolución Nº JB-2003-602.28

Shawe, Taylor, Na introduction to support vector machines. Inglaterra, 2000.