Regresión logística y redes neuronales como herramientas para realizar un modelo Scoring / Logistic regression and neural networks as tools to perform a Scoring model / Regressão logística e redes neuronais como ferramentas para realizar Scoring

Resumen Introducción. El propósito de esta investigación es analizar el riesgo crediticio de una institución financiera no vigilada por la Superintendencia Financiera de Colombia en torno a un modelo scoring que permita determinar el incumplimiento de los clientes correspondiente a su cartera de consumo. Objetivo. Confrontar el poder de pronosticación de dos modelos scoring obtenidos a través de regresión logística y red neuronal. Materiales y métodos. Los modelos se desarrollan con base en una muestra de 43.086 obligaciones correspondiente a una cartera de consumo, utilizando las técnicas estadísticas de regresión logística y red neuronal. La primera está enmarcada en el grupo de los modelos lineales generalizados, los cuales utilizan una función logit y son útiles para modelar probabilidades referentes a un evento en función de otras variables, mientras que la segunda son modelos computacionales cuyo objetivo es resolver problemas utilizando relaciones ya estipuladas y para ello utiliza una muestra base del proceso que se ampara en el éxito del autoaprendizaje producto del entrenamiento. Resultados. Para ambos modelos se logra una precisión del 71% en la base de entrenamiento y del 72 % en la base de comprobación, sin embargo, a pesar de obtener resultados similares, la regresión logística arrojó la menor tasa de malos en la zona de aceptación. Conclusión. Las dos técnicas utilizadas son adecuadas para el estudio y predicción de la probabilidad de incumplimiento de un cliente correspondiente a una cartera de consumo, lo anterior, respaldado por el alto índice de eficacia predictiva en ambos modelos.

Abstract Introduction. The purpose of this research is to analyze the credit risk of a financial institution not supervised by the Financial Superintendence of Colombia around a scoring model that allows determining the default of clients corresponding to their consumer portfolio. Objective. Confront the forecasting power of two scoring models obtained through logistic regression and neural network. Materials and methods. The models are developed based on a sample of 43,086 obligations corresponding to a consumer portfolio, using the statistical techniques of logistic regression and neural network. The first is framed in the group of generalized linear models, which use a logit function and are useful for modeling probabilities related to an event based on other variables; while the second consists in computational models whose objective is to solve problems using relationships already stipulated, employing for this purpose a base sample of the process that is based on the success of the self-learning resulting from training. Results. For both models, an accuracy of 71 % in the training base and 72 % in the testing base is achieved. However, despite obtaining similar results, the logistic regression yielded the lowest rate of bad in the acceptance zone. Conclusion. The two techniques used are suitable for the study and prediction of the probability of default of a client corresponding to a consumer portfolio; the foregoing is supported by the high index of predictive effectiveness in both models.

Resumo Introdução. O propósito de esta pesquisa é analisar o risco creditício de uma instituição financeira não vigilada pela Superintendência Financeira da Colômbia em torno de um modelo scoring que permita determinar o incumprimento dos clientes correspondentes à sua carteira de consumidores. Objetivo. Confrontar o poder de previsão de dois modelos scoring obtidos através de regressão logística e rede neuronal. Materiais e métodos. Os modelos desenvolvam-se com base em uma amostra de 43.086 obrigações correspondentes à una carteira de consumidores, utilizando as técnicas estatísticas de regressão logística e rede neuronal. A primeira está enquadrada no grupo dos modelos lineais generalizados, os quais utilizam uma função logit e são úteis para modelar probabilidades referentes à um evento em função de outras variáveis, em quanto que, a segunda são modelos computacionais cujo objetivo é resolver problemas utilizando relações já estipuladas e para isso utiliza-se uma amostra base do processo que ampara-se no sucesso do autoaprendizagem produto do treinamento. Resultados. Para ambos os modelos se consegue uma precisão do 71% na base do treinamento e do 72% na base da comprovação, mas, não obstante isso, a pesar de obterem resultados semelhantes, a regressão logística mostrou a menor taxa ruim na zona de aceitação. Conclusão. As duas técnicas utilizadas são adequadas para o estudo e previsão da probabilidade do incumprimento de um cliente correspondente à una carteira de consumidores, o que precede, respaldado pelo alto índice de eficiência preditiva em ambos os modelos.

Linear versus non-linear noninvasive temperature prediction in a homogeneous medium subjected to physiotherapeutic ultrasound / Comparação entre predição linear e não linear não-invasiva de temperatura num meio homogêneo sujeito a ultra-som de terapia

The lack of accurate time-spatial temperature estimators/predictors conditions the safe application of thermal therapies, such as hyperthermia. In this paper, a comparison between a linear and a non-linear class of models for non-invasive temperature prediction in a homogeneous medium, subjected to ultrasound at physiotherapeutic levels is presented. The linear models used were autoregressive with exogenous inputs (ARX) and the non-linear models were radial basis functions neural networks (RBFNN). In order to create and validate the models, an experiment was build to extract in vitro ultrasound RF-lines, as well as its correspondent temperature values. Then, features were extracted from the measured RF-lines and the models were trained and validated. For both the models, the best-fitted structures were selected using the multi-objective genetic algorithm (MOGA), given the enormous number of possible structures. The best RBFNN model presented a maximum absolute predictive error in the validation set five times less than the value presented by the best ARX model. In this work, the best RBFNN reached a maximum absolute error of 0.42 ºC, which is bellow the value pointed as a borderline between an appropriate and an undesired temperature estimator, which is 0.5 ºC. The average error was one order of magnitude less in the RBFNN case, and a less biased estimation was met. In addition, the best RBFNN needed less environmental information(inputs), given the capacity to non-linearly relate the information. The results obtained are encouraging, considering that coherent results should be obtained in a time-spatial modelling schema using RBFNN models.

A falta de estimadores de temperatura espaço-temporais que sejam precisos impede a aplicação segura das terapias térmicas, como por exemplo a hipertermia. Neste artigo é apresentada uma comparação entre uma classe de modelos lineares e uma classe de modelos não lineares, na predição não invasiva de temperatura num meio homogêneo, quando o mesmo é aquecido por ultra-som em níveis usados em fisioterapia. Os modelos lineares considerados foram do tipo auto-regressivo com entradas exógenas (ARX); a nível não-linear foram considerados redes neuronais RBF (RBFNN). Para treinar e validar os modelos foram recolhidas os ecos provenientes do meio, bem como os correspondentes valores de temperatura. Após a colheita de informação, foram extraídas características dos ecos medidos e posteriormente os modelos foram treinados e validados. Para ambas as classes de modelos, as melhores estruturas foram seleccionadas usando um algoritmo genético multi-objectivo (MOGA), devido ao número elevado de estruturas possíveis. O melhor modelo RBFNN apresentou um erro máximo absoluto cinco vezes inferior ao erro máximo absoluto apresentado pelo melhor modelo ARX. Neste trabalho, o melhor modelo RBFNN apresentou um erro máximo absolutode 0,42 ºC, valor este que é inferior ao limite (0,5 ºC) apresentado como sendo a fronteira entre um estimador desejado e um estimador indesejado. O erro médio cometido pelo melhor modelo neuronal é uma ordem de grandeza inferior ao erro médio apresentado pelo melhor modelo linear, obtendo-se deste modo uma estimação menos enviesada no caso das redes neuronais, com menos informação do ambiente (menos entradas) devido ao processamento não-linear dos dados de entrada. Os resultados obtidos são encorajadores, apontando no sentido de se obter bons resultados numa estimação espaço-temporal.