Rankia España Rankia Argentina Rankia Brasil Rankia Chile Rankia Colombia Rankia Czechia Rankia Deutschland Rankia France Rankia Indonesia Rankia Italia Rankia Magyarország Rankia México Rankia Netherlands Rankia Perú Rankia Polska Rankia Portugal Rankia Romania Rankia Türkiye Rankia United Kingdom Rankia USA
Acceder
Blog Redes neuronales
Blog Redes neuronales
Blog Redes neuronales

Cómo clasificar cuentas nóminas con redes neuronales

Hace poco encontrábamos en Rankia un artículo que trataba de explicar cómo funcionaban las redes neuronales no supervisadas, y concretamente los mapas auto-organizativos de Kohonen (SOM o self-organizing maps):
 
Parece útil su empleo en finanzas y como ejemplo vamos a simular la clasificación no supervisada de cuentas nómina de varias entidades financieras. Cuando se dispone de un gran número de casos (individuos o sujetos a comparar), y muchas variables para realizar la comparación, emplear redes neuronales no supervisadas como SOM ayuda a visualizar la información de manera ordenada y a la detección de patrones en los datos. Imaginemos que queremos comparar las siguientes cuentas nómina de varias entidades financieras:
 
redes neuronales cuentas nomina
  *La información representa ejemplos y, aunque se basan en casos reales, no reflejan todas las características ofrecidas por las entidades financieras. No se pretende en todo caso perjudicar ni publicitar a ninguna de las entidades financieras. 
 
Comparar estas cuentas nómina puede ser fácil a simple vista pero sirven para ilustrar la utilidad de este tipo de redes (ha sido también aplicado a grandes cantidades de datos como clasificación de fondos de inversión o acciones). Como puede verse en la tabla ninguna de las cuentas presenta comisiones y todas ofrecen tarjetas de manera gratuita. Por este motivo pueden ser excluidas estas dos variables de nuestro modelo. Recordemos que una red de tipo SOM presenta este aspecto:
redes neuronales SOM
 
Hay un vector de entradas (input vector), que en nuestro caso son los datos de cada cuenta nómina y que serán clasificadas en un mapa de neuronas de tamaño X (SizeX) por Y (SizeY). La red  empieza a entrenarse con pesos aleatorios (wij) y se le van presentando los datos para ir entrenándola. La red va identificando que neurona o grupo de neuronas son las más parecidas a los datos de entrada. Estas neuronas son las “ganadoras” y la red actualizará sus pesos para que ante otro patrón similar esas mismas neuronas estén más especializadas. Cuando  el número de casos presentados a la red y el número de iteraciones que se llevan a cabo es lo suficientemente grande, los pesos acaban convergiendo y la red identificará la nueva información clasificándola en zonas dentro del mapa. Como disponemos de muy pocos datos el tamaño del mapa será muy pequeño. El resultado es el siguiente:

mapa red neuronal

En este tipo de mapas las distancias son importantes y guardan relación con las distancias o diferencias de los datos de entrada. Así, las cuentas de Ibercaja y Popular-E son muy parecidas y bastantes diferentes de las cuentas nómina de ING y Deutsche Bank. Si nos fijamos en los datos vemos como las dos primeras se caracterizan por la devolución de los recibos del cliente a un tipo elevado, mientras que las dos últimas ofrecen menos servicios diferenciadores con relación al resto. Se pueden obtener las medias de cada variable en cada grupo y así determinar de manera sencilla que características tienen las celdas del mapa.

 

Ivan Pastor
Licenciado en Administración y Dirección de empresas y Máster en Banca y Finanzas en el Centro de Estudios Garrigues en Madrid.
Actualmente, terminando la tesis en la que precisamente empleo redes neuronales para la detección
y prevención de quiebras bancarias y la detección de desequilibrios macroeconómicos.

 

2
¿Te ha gustado mi artículo?
Si quieres saber más y estar al día de mis reflexiones, suscríbete a mi blog y sé el primero en recibir las nuevas publicaciones en tu correo electrónico
  • Bancos
  • Cuenta nómina
  • Redes neuronales
Lecturas relacionadas
Mejores cuentas nómina 2015
Mejores cuentas nómina 2015
Redes neuronales: supervisadas y no supervisadas
Redes neuronales: supervisadas y no supervisadas
  1. en respuesta a Engard
    -
    Nuevo
    #2
    16/01/15 21:59

    Hola Engard:

    Como dices SVM son un método eficiente y rápido que pueden ser útiles para la predicción. No obstante, necesitan tener una variable objetivo a la que ajustarse, esto es una variable dependiente a la que ajustar el modelo. En nuestro caso no pretendemos predecir ni ajustar las variables de entrada a una variable objetivo, solamente obtener una clasificación. SOM puede más bien compararse con otros métodos clúster como k-means, análisis factorial... entre otros.
    Un cordial saludo

  2. #1
    15/01/15 23:29

    Oye una duda:

    ¿has probado a utilizar SVM (Support vector machine)? Segçúnt engo entendido son más rápidas y mas eficientes de usar.

    Saludos

Te puede interesar...
  1. ¿Qué son las redes neuronales y qué ventajas pueden ofrecernos?
  2. Redes neuronales: supervisadas y no supervisadas
  3. Cómo clasificar cuentas nóminas con redes neuronales
  4. Aplicación de las redes neuronales a las finanzas, Javier Oliver
  5. Predicción futuro dax con red neuronal: estrategia a seguir
  1. Redes neuronales: supervisadas y no supervisadas
  2. Aplicación de las redes neuronales a las finanzas, Javier Oliver
  3. Cómo clasificar cuentas nóminas con redes neuronales
  4. ¿Qué son las redes neuronales y qué ventajas pueden ofrecernos?
  5. Predicción futuro dax con red neuronal: estrategia a seguir

Cookies en rankia.com

Utilizamos cookies propias y de terceros con finalidades analíticas y para mostrarte publicidad relacionada con tus preferencias a partir de tus hábitos de navegación y tu perfil. Puedes configurar o rechazar las cookies haciendo click en “Configuración de cookies”. También puedes aceptar todas las cookies pulsando el botón “Aceptar”. Para más información puedes visitar nuestra política de cookies.

Configurar
Rechazar todas
Aceptar