Obtención de reglas de clasificación difusas utilizando técnicas de optimización - caso de estudio riesgo crediticio

L'aportació central d'aquesta tesi és la definició d'un nou mètode denominat FRvarPSO (Fuzzy Rules variable Particle Swarm Oprmization) que genera un conjunt de regles de classificació difuses de fàcil interpretació, baixa cardinalitat i una bona precisió. Aquestes característiques ajuden a identificar i comprendre les relacions presents en les dades facilitant i justificant d'aquesta forma la presa de decisions. FRvarPSO combina una xarxa neuronal competitiva, amb una tècnica d'optimització basada en cúmul de partícules de població variable per a l'obtenció de regles de classificació difuses, capaces d'operar sobre atributs nominals i numèrics. Els antecedents de les regles estan formats per atributs nominals i/o condicions difuses. La conformació d'aquestes últimes requereix conèixer el grau de pertinença als conjunts difusos que defineixen a cada variable lingüística. Aquesta tesi proposa tres alternatives diferents per a l'obtenció dels conjunts difusos, i la seva funció de pertinença. Una d'aquestes opcions va ser particionar el rang de cada atribut numèric en intervals d'igual longitud, i centrant en cadascun d'ells una funció triangular amb una superposició adequada. Una altra de les formes per a obtenir els conjunts difusos ha estat utilitzant el mètode Fuzzy C-Means. Addicionalment, es va utilitzar també com a tècnica el coneixement d'un expert. FRvarPSO s'aplica a diferents bases de dades del repositori UCI i a un cas particular d'estudi són les regles aplicables a risc creditici. Per aquest últim cas s'utilitza la informació del prestatari i l'entorn macroeconòmic, obtinguda de bases de dades reals d'institucions financeres de l'Equador. Aquest mètode aporta coneixement a l'àrea informàtica i s'ha demostrat que també realitza aportacions en l'àrea de l'economia. El aporte central de esta tesis es la definición de un nuevo método denominado FRvarPSO (Fuzzy Rules variable Particle Swarm Oprmization) que genera un conjunto de reglas de clasificación difusas de fácil interpretación, baja cardinalidad y una buena precisión. Estas características ayudan a identificar y comprender las relaciones presentes en los datos facilitando y justificando de esta forma la toma de decisiones. FRvarPSO combina una red neuronal competitiva, con una técnica de optimización basada en cúmulo de partículas de población variable para la obtención de reglas de clasificación difusas, capaces de operar sobre atributos nominales y numéricos. Los antecedentes de las reglas están