Funciones núcleo en un espacio de órdenes de magnitud absolutos

Los algoritmos de aprendizaje basados en funciones Núcleo, particularmente las Máquinas de Soporte Vectorial (MSV), han proporcionado buenos resultados en problemas de clasificación con patrones de entrada no separables linealmente. El uso de las Funciones Núcleo permite aplicar estos algoritmos de inferencia incluso sobre información proveniente de un conjunto sin estructura de espacio euclídeo. Al considerar una Función Núcleo, los datos se proyectan de forma implícita sobre un nuevo espacio de características cuya estructura es exportada hacia el espacio de origen. En este trabajo se analiza una Función Núcleo que actúa sobre datos que pertenecen a un Espacio Cualitativo de Órdenes de Magnitud Absolutos. El diseño de esta Función Núcleo está inspirado en recientes métodos elaborados sobre Máquinas Núcleo para espacios discretos de trabajo. Como ilustración se presenta una aplicación de estos sistemas de aprendizaje en el campo financiero, concretamente en la modelización del riesgo de crédito. Se estudia los resultados de predicción de riesgo crediticio de un conjunto de empresas que entregan información pública al mercado. Para ello se utilizan variables económico-financieras de las compañías y su clasificación de riesgo emitida por una conocida evaluadora del mercado financiero.