Funciones kernel en espacios cualitativos de órdenes de magnitud. Aplicación a la evaluación del riesgo de crédito

N. Agell; Francesc Prats Duaygues; X. Rovira Llobera; Mònica Sánchez Soler

Funciones kernel en espacios cualitativos de órdenes de magnitud. Aplicación a la evaluación del riesgo de crédito

N. Agell, Francesc Prats Duaygues, X. Rovira Llobera, Mònica Sánchez Soler

Esade

Producción científica: Contribución a una conferencia › Contribución

Resumen

Los algoritmos de aprendizaje basados en kernels o funciones núcleo y, en particular, las Máquinas de Soporte Vectorial (MSV), proporcionan buenos resultados en problemas de clasificación donde los patrones de entrada no son linealmente separables. En este artículo, se presenta una metodología que permitirá construir kernels capaces de trabajar con datos descritos en un espacio cualitativo de órdenes de magnitud. Una primera aplicación de esta metodología es introducida para evaluar la calidad de crédito financiero de una empresa. Se presenta un ejemplo sencillo donde se puede apreciar cómo el kernel interpreta las "distancias" entre los diversos descriptores de las empresas.

Idioma original	Inglés
Estado	Publicada - 12 nov 2003
Evento	10th Conferencia de la Asociación Española de Inteligencia Artificial, San Sebastián 2003 - Duración: 12 nov 2003 → 14 nov 2003

Conferencia

Conferencia	10th Conferencia de la Asociación Española de Inteligencia Artificial, San Sebastián 2003
Período	12/11/03 → 14/11/03

Cómo citar

@conference{73bcfb86b5434ad48dd4d269c937d66a,

title = "Funciones kernel en espacios cualitativos de {\'o}rdenes de magnitud. Aplicaci{\'o}n a la evaluaci{\'o}n del riesgo de cr{\'e}dito",

abstract = "Los algoritmos de aprendizaje basados en kernels o funciones n{\'u}cleo y, en particular, las M{\'a}quinas de Soporte Vectorial (MSV), proporcionan buenos resultados en problemas de clasificaci{\'o}n donde los patrones de entrada no son linealmente separables. En este art{\'i}culo, se presenta una metodolog{\'i}a que permitir{\'a} construir kernels capaces de trabajar con datos descritos en un espacio cualitativo de {\'o}rdenes de magnitud. Una primera aplicaci{\'o}n de esta metodolog{\'i}a es introducida para evaluar la calidad de cr{\'e}dito financiero de una empresa. Se presenta un ejemplo sencillo donde se puede apreciar c{\'o}mo el kernel interpreta las {"}distancias{"} entre los diversos descriptores de las empresas.",

author = "N. Agell and {Prats Duaygues}, Francesc and {Rovira Llobera}, X. and {S{\'a}nchez Soler}, M{\`o}nica",

year = "2003",

month = nov,

day = "12",

language = "English",

note = "10th Conferencia de la Asociaci{\'o}n Espa{\~n}ola de Inteligencia Artificial, San Sebasti{\'a}n 2003 ; Conference date: 12-11-2003 Through 14-11-2003",

}

Funciones kernel en espacios cualitativos de órdenes de magnitud. Aplicación a la evaluación del riesgo de crédito. / Agell, N.; Prats Duaygues, Francesc; Rovira Llobera, X. et al.
2003. Papel presentado en 10th Conferencia de la Asociación Española de Inteligencia Artificial, San Sebastián 2003.

Producción científica: Contribución a una conferencia › Contribución

TY - CONF

T1 - Funciones kernel en espacios cualitativos de órdenes de magnitud. Aplicación a la evaluación del riesgo de crédito

AU - Agell, N.

AU - Prats Duaygues, Francesc

AU - Rovira Llobera, X.

AU - Sánchez Soler, Mònica

PY - 2003/11/12

Y1 - 2003/11/12

N2 - Los algoritmos de aprendizaje basados en kernels o funciones núcleo y, en particular, las Máquinas de Soporte Vectorial (MSV), proporcionan buenos resultados en problemas de clasificación donde los patrones de entrada no son linealmente separables. En este artículo, se presenta una metodología que permitirá construir kernels capaces de trabajar con datos descritos en un espacio cualitativo de órdenes de magnitud. Una primera aplicación de esta metodología es introducida para evaluar la calidad de crédito financiero de una empresa. Se presenta un ejemplo sencillo donde se puede apreciar cómo el kernel interpreta las "distancias" entre los diversos descriptores de las empresas.

AB - Los algoritmos de aprendizaje basados en kernels o funciones núcleo y, en particular, las Máquinas de Soporte Vectorial (MSV), proporcionan buenos resultados en problemas de clasificación donde los patrones de entrada no son linealmente separables. En este artículo, se presenta una metodología que permitirá construir kernels capaces de trabajar con datos descritos en un espacio cualitativo de órdenes de magnitud. Una primera aplicación de esta metodología es introducida para evaluar la calidad de crédito financiero de una empresa. Se presenta un ejemplo sencillo donde se puede apreciar cómo el kernel interpreta las "distancias" entre los diversos descriptores de las empresas.

M3 - Contribution

T2 - 10th Conferencia de la Asociación Española de Inteligencia Artificial, San Sebastián 2003

Y2 - 12 November 2003 through 14 November 2003

ER -