RT Report
T1 Sistemas de inducción de reglas y árboles de decisión aplicados a la predicción de insolvencias en empresas aseguradoras
A1 Díaz Martínez, Zuleyka
A1 Fernández Menéndez, José
A1 Segovia Vargas, María Jesús
AB Tradicionalmente, para abordar el problema de la detección precoz de la insolvencia empresarial, se han venido utilizando métodos estadísticos que emplean ratios financieros como variables explicativas. Sin embargo, aunque la eficacia de dichos métodos ha sido sobradamente probada, presentan algunos problemas que dificultan su aplicación en el ámbito empresarial, ya que, generalmente, se trata de modelos basados en una serie de hipótesis sobre las variables explicativas que en muchos casos no se cumplen y, además, dada su complejidad, puede resultar difícil extraer conclusiones de sus resultados para un usuario poco familiarizado con la técnica. El presente trabajo describe una investigación de carácter empírico consistente en la aplicación al sector asegurador del algoritmo de inducción de reglas y árboles de decisión See5, a partir de un conjunto de ratios financieros de una muestra de empresas españolas de seguros no-vida, con el objeto de comprobar su utilidad para la predicción de insolvencias en este sector. También se comparan los resultados alcanzados con los que se obtienen aplicando la metodología Rough Set. Estas técnicas, procedentes del campo de la Inteligencia Artificial, no presentan los problemas mencionados anteriormente.
PB Facultad de Ciencias Económicas y Empresariales. Decanato
SN 2255-5471
YR 2004
FD 2004
LK https://hdl.handle.net/20.500.14352/56561
UL https://hdl.handle.net/20.500.14352/56561
LA spa
NO CLARK, P. Y BOSWELL, R. (1991). “Rule Induction with CN2: Some Recent Improvements”, en Kodratoff, Y. (Ed.): Machine Learning - Proceedings of the Fifth European Conference (EWSL-91), Springer-Verlag, Berlin, pp. 151-163.FREUND, Y. y SCHAPIRE, R.E. (1997). “A decision-theoretic generalization of online learning and an application to boosting”. Journal of Computer and System Sciences, vol. 55(1), pp. 119-139.NIBLETT, T. (1987). “Constructing decision trees in noisy domains”, en Bratko, I. y Lavrač, N. (Eds.): Progress in Machine Learning (proceedings of the 2nd European Working Session on Learning), Sigma, Wilmslow, UK, pp. 67-78.PAWLAK, Z. (1991). Rough Sets. Theoretical Aspects of Reasoning about Data. Kluwer Academic Publishers, Dordrecht, Boston, London.PREDKI, B., SLOWINSKI, R., STEFANOWSKI, J., SUSMAGA, R. y WILK, S. (1998). “ROSE – Software Implementation of the Rough Set Theory”, en POLKOWSKI, L. y SKOWRON, A. (Eds.): Rough Sets and Current Trends in Computing, Lecture Notes in Artificial Intelligence, vol. 1424. Springer-Verlag, Berlin, pp. 605-608.PREDKI, B. y WILK, S. (1999). “Rough Set Based Data Exploration Using ROSE System”, en RAS, Z.W. y SKOWRON, A. (Eds.): Foundations of Intelligent Systems, Lecture Notes in Artificial Intelligence, vol. 1609, Springer-Verlag, Berlin, pp. 172-180.QUINLAN, J.R. (1993). C4.5: Programs for machine learning. Morgan Kaufmann Publishers, Inc., California.QUINLAN, J.R. (1997). See5 (en Internet, http:www.rulequest.com/see5-info.html).SEGOVIA, M.J. (2003). Predicción de crisis empresariales en seguros no vida mediante la metodología Rough Set, Tesis Doctoral, Universidad Complutense de Madrid.SEGOVIA, M.J., GIL, J.A., HERAS, A. y VILAR, J.L. (2003) “La metodología Rough Set frente al Análisis Discriminante en los problemas de clasificación multiatributo”, comunicación presentada a las XI Jornadas ASEPUMA, Oviedo.
DS Docta Complutense
RD 29 abr 2024