Minería de Datos Aplicación a la Fiabilidad Crediticia

Autores/as

  • Edgard Kenny Venegas Palacios Escuela Profesional de Matemática. Facultad de Ciencias. Universidad Nacional de Ingeniería
  • Joseph Luis Kahn Casapía Escuela Profesional de Matemática. Facultad de Ciencias. Universidad Nacional de Ingenierí

Palabras clave:

Minería de datos, Regresión lineal, Métodos bayesiano, Árboles de decisión, Redes neuronales articiales

Resumen

Los modelos de clasificación en Minería de Datos, enfocados a predecir si un cliente de un banco es fiable o
no para recibir un crédito, presentan un score y precisión con entrenamiento simple para RL: 0:21% y 0:79%, NB:
0:74% y 0:76%, AD: 0:70% y 0:69%, RNA: 0:74% y 0:73%, con entrenamiento cruzado para RL: 0:20% y 0:79%,
NB: 0:73% y 0:72%, AD: 0:68% y 0:72%, RNA: 0:73% y 0:75%. Además de utilizar RL para encontrar relaciones
entre las variables de la base de datos disponible.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

1. L. C. Thomas. A survey of credit and behavioural scoring: forecasting nancial risk of lending to consumers. International Journal of Forecasting, 16:149{ 172, 2000.
2. Andrés Yesid Ramírez A. Técnicas de minería de datos aplicadas a la construcción de modelos de score crediticio: Estado del arte. Universidad Nacional de Colombia, 2007.
3. Y. Yang. Adaptive credit scoring with kernel learning methods. European Journal of Operational Research, 183:1521{1536, 2007.
4. H. Abdou, J. Pointon, and A. El-Masry. Neural netsversus conventional techniques in credit scoring in egyptian banking. Expert Systems with Applications, In Press:1606, 2007.
5. V. S. Desai, J. N. Crook, and G. A. Overstreet. A comparison of neural networks and linear scoring models in the credit union environment. European Journal of Operational Research, 95:24{37, 1996.
6. T. S. Lee and I. F. Chen. A two-stage hybrid credit scoring model using articial neural networks and multivariate adaptive regression splines. Expert Sys- tems with Applications, 28:743{752, 2005.
7. T. S. Lee, C.-C. Chiu, C.-J. Lu, and I.-F. Chen. Credit scoring using the hybrid neural discriminant technique. Expert Systems with Applications, 23:245{ 254, 2002.
8. R. Malhotra and D. K. Malhotra. Evaluating consumer loans using neural networks. Omega, 31:83{96, 2003.
9. D. West. Neural network credit scoring models. Com- puters and Operations Research, 27:1131{1152, 2000.
10. S. T. Li, W. Shiue, and M. H. Huang. The evaluation of consumer loans using support vector machines. Expert Systems with Applications, 30:772{782, 2006.
11. C. L. Huang, M. C. Chen, and C. J. Wang. Credit scoring with a data mining approach based on support vector machines. Expert Systems with Applications, 33:847{856, 2006.
12. N. C. Hsieh. Hybrid mining approach in the design of credit scoring models. Expert Systems with Applications, 28:655{665, 2005.
13. Petya Platikanova. El análisis económico financiero: Estado del arte. Revista de Contabilidad y Dirección, 2:95{120, 2005.
14. M. Lichman. UCI machine learning repository, 2013

Descargas

Publicado

2021-06-18

Cómo citar

Venegas Palacios, E. K., & Kahn Casapía, J. L. (2021). Minería de Datos Aplicación a la Fiabilidad Crediticia. REVCIUNI, 18(1), 37–46. Recuperado a partir de http://revistas.uni.edu.pe/index.php/revciuni/article/view/967

Número

Vol. 18 Núm. 1 (2015)

Sección

Artículos

Licencia

Derechos de autor 2021 REVCIUNI

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Los artículos publicados por REVCIUNI pueden ser compartidos a través de la licencia pública internacional Creative Commons: CC BY 4.0. Permisos lejos de este alcance pueden ser consultados a través del correo revistas@uni.edu.pe