Modelo no lineal basado en redes neuronales de unidades producto para clasificación. Una aplicación a la determinación del riesgo en tarjetas de crédito = Non-linear model for classification based on product-unit neural networks. An application to determine credit card risk

Francisco José Martínez Estudillo (), César Hervás Martínez (), Mariano Torres Jiménez () and Andrés Carlos Martínez Estudillo ()
Additional contact information
Francisco José Martínez Estudillo: Departamento de Gestión y Métodos Cuantitativos, ETEA Córdoba (España)
César Hervás Martínez: Departamento de Informática y Análisis Numérico, Universidad de Córdoba
Mariano Torres Jiménez: Departamento de Gestión y Métodos Cuantitativos, ETEA Córdoba (España)
Andrés Carlos Martínez Estudillo: Departamento de Gestión y Métodos Cuantitativos, ETEA Córdoba (España)

Revista de Métodos Cuantitativos para la Economía y la Empresa = Journal of Quantitative Methods for Economics and Business Administration, 2007, vol. 3, issue 1, 40-62

Abstract: El principal objetivo de este trabajo es mostrar un tipo de redes neuronales denominadas redes neuronales basadas en unidades producto (RNUP) como un modelo no lineal que puede ser utilizado para la resolución de problemas de clasificación en aprendizaje. Proponemos un método evolutivo en el que simultáneamente se diseña la estructura de la red y se calculan los correspondientes pesos. La metodología que presentamos se basa, por tanto, en la combinación del modelo no lineal RNUP y del algoritmo evolutivo; se aplica a la resolución de un problema de clasificación de índole económica, surgido del mundo de las finanzas. Para evaluar el rendimiento de los modelos de clasificación obtenidos, comparamos nuestra propuesta con varias técnicas clásicas, como la regresión logística o el análisis discriminante, y con el clásico modelo de perceptrón multicapa de redes neuronales basado en unidades sigmoides y el algoritmo de aprendizaje de retropropagación (MLPBP) = The main aim of this work is to show a neural network model called product unit neural network (PUNN), which is a non-linear model to solve classification problems. We propose an evolutionary algorithm to simultaneously design the topology of the network and estimate its corresponding weights. The methodology proposed combines a non-linear model and an evolutionary algorithm and it is applied to solve a real economic problem that occurs in the financial management. To evaluate the performance of the classification models obtained, we compare our approach with several classic statistical techniques such us logistic regression and linear discriminat analysis, and with the multilayer perceptron neural network model based on sigmoidal units trained by means of Back-Propagation algorithm (MLPBP).

Keywords: clasificación; redes neuronales de unidades producto; redes neuronales evolutivas; classification; product unit neural networks; evolutionary neural networks (search for similar items in EconPapers)
JEL-codes: C45 C63 (search for similar items in EconPapers)
Date: 2007
References: Add references at CitEc
Citations:

Downloads: (external link)
http://www.upo.es/RevMetCuant/art10.pdf (application/pdf)
http://www.upo.es/RevMetCuant/art10.txt (text/html)

Related works:
This item may be available elsewhere in EconPapers: Search for items with the same title.

Export reference: BibTeX RIS (EndNote, ProCite, RefMan) HTML/Text

Persistent link: https://EconPapers.repec.org/RePEc:pab:rmcpee:v:3:y:2007:i:1:p:40-62

Access Statistics for this article

Revista de Métodos Cuantitativos para la Economía y la Empresa = Journal of Quantitative Methods for Economics and Business Administration is currently edited by Macarena Lozano Oyola and Francisco Javier Blancas Peral

More articles in Revista de Métodos Cuantitativos para la Economía y la Empresa = Journal of Quantitative Methods for Economics and Business Administration from Universidad Pablo de Olavide, Department of Quantitative Methods for Economics and Business Administration Carretera de Utrera km.1, 41013 Sevilla. Contact information at EDIRC.
Bibliographic data for series maintained by Publicación Digital - UPO ().