Resumen

La predicción de la calificación crediticia de las empresas mediante técnicas estadísticas y de inteligencia artificial ha recibido una atención considerable en la literatura. A diferencia de las diversas técnicas que adoptan las máquinas de vectores de soporte como clasificadores binarios, en este artículo se propone un nuevo método basado en el dominio de vectores de soporte combinado con un algoritmo de agrupación difusa para la multiclasificación, con el fin de lograr la calificación crediticia de las empresas. Mediante el preprocesamiento de datos con el algoritmo de clustering difuso, sólo se seleccionan los puntos de datos límite como muestras de entrenamiento para cumplir con la especificación del dominio de vectores de soporte para reducir el coste computacional y también lograr un mejor rendimiento. Para validar la metodología propuesta, se utilizan casos del mundo real para los experimentos, y los resultados se comparan con los enfoques convencionales de máquina de vectores de soporte de multiclasificación y otras técnicas de inteligencia artificial. Los resultados muestran que el modelo propuesto mejora el rendimiento de la calificación crediticia corporativa con un menor consumo computacional.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:enfoques convencionales de máquinas de vectores soporte de multiclasificación, otras técnicas de inteligencia artificial, especificación del dominio de vectores soporte, técnicas de inteligencia artificial, puntos de datos límite, calificación crediticia de empresas, menor consumo computacional, dominio de vectores soporte, máquinas de vectores soporte, algoritmo
• Keywords:conventional multiclassification support vector machine approaches, other artificial intelligence techniques, support vector domain specification, artificial intelligence techniques, boundary data points, corporate credit rating, less computational consumption, support vector domain, support vector machines, algorithm