Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1
MODELO NEURONAL DE McCULLOCH-PITTS
El primer modelo Matemático de una neurona artificial
creado con el fin de llevar a cabo tareas simples, fue
presentado en el año 1943 en un trabajo conjunto entre
el psiquiatra y neuroanatomista Warren McCulloch y el
matemático Walter Pitts.
2
MODELO NEURONAL DE McCULLOCH-PITTS
La siguiente figura muestra un ejemplo de modelo neuronal con n entradas que consta:
Un conjunto de entradas x1, x2, … , xn.
Los pesos sinápticos w1, w2, … ,wn, correspondientes a cada entrada.
Una función de agregación, ∑.
Una función de activación, f.
Una salida Y.
Las entradas son el estímulo que la neurona artificial recibe del entorno que la rodea, y
la salida es la respuesta a tal estímulo. La neurona puede adaptarse al medio
circundante y aprender de él modificando el valor de sus pesos sinápticos, y por ello
son conocidos como los parámetros libres del modelo, ya que pueden ser modificados
y adaptados para realizar una tarea determinada. En este modelo, la salida neuronal Y
esta dada por Y f i x i
n
i 1
3
FUNCIONES DE ACTIVACIÓN
La función de activación se elige de acuerdo a la tarea realizada por
la neurona. Entre las más comunes dentro del campo de las RANAs
podemos destacar:
4
FUNCIONES DE ACTIVACIÓN
5
FUNCIONES DE ACTIVACIÓN
a f . x b
9
INTRODUCCIÓN
En la actualidad, en la mayoría de las instituciones financieras
los ejecutivos de cuenta evalúan solicitudes de crédito utilizando
su propia experiencia y guías publicadas y divulgadas por la
institución. Según Salinas, J. (2009) este método tiene las
siguientes dificultades:
Pobre desempeño, puesto que la experiencia de la mayoría de
los ejecutivos de cuenta es limitada, lo cual significa generar
decisiones no muy precisas.
Inflexibilidad, porque se requiere experiencia de varios años
antes que los ejecutivos se desempeñen bien. Por lo tanto, este
método reacciona lento a los cambios en la población de
solicitantes de créditos.
Inconsistencia, puesto que, diferentes ejecutivos poseen
estándares diferentes.
Baja eficiencia al evaluar solicitudes, esto consume tiempo e
involucra también a personal experimentado de jerarquía
superior.
10
INTRODUCCIÓN
Los bancos se están centrando en desarrollar métodos de
evaluación de préstamos para reducir el riesgo y acortar el
largo proceso de evaluación de créditos de clientes sin empleo
formal e ingresos irregulares que se ven obligados a ofrecer
garantías convencionales.
Así mismo en el área de finanzas de la Universidad Peruana
Unión la asignación de crédito, es realizada por los analistas
financieros haciendo uso de su propia experiencia y lógica. Es
por ello la necesidad de contar con una herramienta que nos
ayude a clasificar a los alumnos deudores según su nivel de
morosidad, para luego poder analizar la asignación del crédito
en sus pensiones de pago por derecho de enseñanza
universitaria.
La presente Investigación tuvo como objetivo la construcción
de un modelo de redes neuronales usando el algoritmo
backpropagation para determinar los niveles de morosidad en
los alumnos de la Universidad Peruana Unión de la sede
central de Lima.
11
INTRODUCCIÓN
Para cumplir con el objetivo planteado, se siguió una
metodología de minería de datos, desglosada en cinco
fases.
En la primera fase de comprensión del negocio se
comprende los objetivos y requisitos del proyecto
desde una perspectiva empresarial.
En la siguiente fase se comprenden los datos,
estableciendo un primer contacto.
Luego en la fase de preparación de los datos se
seleccionan los datos que van a intervenir en la
creación del modelo de redes neuronales
backpropagation.
En la fase de modelado se lleva a cabo la creación del
modelo redes neuronales, y
finalmente en la última se evalúa el modelo teniendo
en cuenta el cumplimiento de los criterios de éxito del
problema. 12
INTRODUCCIÓN
Con esta investigación, el área de finanzas de la universidad
Peruana Unión pudo identificar y clasificar a los alumnos según su
nivel de morosidad, para luego tomar las acciones preventivas en
sus cobranzas universitarias y dar las facilidades de pagos y otras
estrategias de cobranzas como las ventas de sus productos Unión .
Además permitió que la gerencia de finanzas tenga un control
eficiente sobre el riesgo crediticio al otorgar un crédito a los
alumnos de la Universidad.
13
RED BACK PROPAGATION
La red Neuronal Back
Propagation es un tipo de red de
aprendizaje supervisado, que
emplea un ciclo propagación –
adaptación de dos fases. Una vez
que se ha aplicado un patrón a la
entrada de la red como estímulo,
este se propaga desde la primera
capa a través de las capas
superiores de la red, hasta generar
una salida. La señal de salida se
compara con la salida deseada y
se calcula una señal de error para
cada una de las salidas.
14
RED BACK PROPAGATION
i 1
i 1
Se realizaron los mismos cálculos para obtener las respectivas
salidas de las neuronas de la capa de salida
0 0
m
w x pj b
m
f N pk w kj x pj bk
0 0 0
N pk kj k y pk k
0 0
i 1 i 1
18
ETAPAS BACKPROPAGATION
Se determinaron los cálculos de error (salida deseada-salida
obtenida) e d y
pk pk
19
ETAPAS BACPROPAGATION
Para los pesos de las neuronas de la capa oculta
w hji ( t 1) w hji ( t ) w hji ( t 1) w hji ( t 1) min pjh x pi
Se cumple la condición de paro. El proceso se repite hasta que el
término de error resulta aceptablemente pequeño para cada uno de
los patrones aprendidos. (Garcia Martinez, Servente, & Pasquín,
2003) E 1 . M 2
p
2
i 1
pk
20
MODELO DE RED NEURONAL DEL ESTUDIO
21
ESTRUCTURA DE LOS DATOS
La estructura de la minería de datos se muestra en la figura
22
CONCLUSIONES
En la investigación se logró construir el modelo de
Backpropagation que nos permitió identificar los niveles de
morosidad de los alumnos de la Universidad Peruana Unión
clasificándolos en:
No moroso,
Poco moroso,
Semi moroso y
Moroso.
Las pruebas de predicción de la clasificación resultaron
satisfactorias. La conclusión global de este estudio indica que el
pronóstico a un alumno moroso en la Universidad peruana Unión
con una asertividad del 99,03 % .
23
CONCLUSIONES
Con el modelo de Backpropagation se ha conseguido detectar las
variables que más influyen sobre los niveles de morosidad del
alumno de la Universidad Peruana Unión. Estas variables son:
Tiempo de la deuda, Monto de la deuda Ingreso de los
responsables financieros, Situación del responsable financiero.
Después de haber realizado la recolección de los datos, siendo estos
tratados y analizados llegamos a concluir que los niveles de
morosidad que presentan los alumnos de la Universidad Peruana
Unión son bajos, resultados que se ven reflejados en los resultados
estadísticos en donde arrojaron que: el nivel no moroso de la
población representa un 56%, el nivel poco moroso un 16.50%,
luego tomando un poco más de peso, el nivel Semi moroso
representado por un 23.50% y finalmente bajando en el nivel más
alto refiriéndonos al nivel Moroso representado por un 4% de la
población.
24
CONCLUSIONES
26