Modelo híbrido de clasificación basado en algoritmos genéticos y máquinas de vectores de soporte aplicado a la evaluación crediticia

Abstract

Este proyecto presenta un modelo híbrido de clasificación para el problema de la evaluación crediticia, tomando ventaja de la selección de características. En primera instancia, se presenta una breve revisión de las distintas técnicas computacionales aplicadas en la evaluación crediticia y en la selección de características. Después de esto, un modelo híbrido de clasificación, basado en Algoritmos Genéticos y Máquinas de Vectores de Soporte es construido, donde la principal idea es seleccionar las características más importantes que impactan el desempeño en la clasificación. Este modelo es aplicado a un problema bien conocido: La evaluación crediticia en donde muchos experimentos se llevan a cabo con diferentes conjuntos de datos. Finalmente, el modelo propuesto es comparado con otras técnicas de clasificación y predicción como las Máquinas de Vectores de Soporte (SVM) y las Redes Neuronales Artificiales (ANN) los cuales utilizan todos los atributos de los conjuntos de datos. Esto es ejecutado con el objetivo de probar la competitividad del modelo híbrido propuesto. / Abstract: This project presents a hybrid classification model for the credit evaluation problem taking advantage on feature selection. In first instance, a short review of different computational techniques for credit evaluation and feature selection is presented. After that, a hybrid classification model based on Genetic Algorithm and Support Vector Machines is built where the main idea is to select the most important features that impact the classification performance. This model is applied to a well-known problem: the credit evaluation where many experiments are carried out with different credit data sets. Finally, the proposed model is compared with other classification and prediction techniques like Support Vector Machines (SVM) and Artificial Neural Networks (ANN) which use all data set attributes. This is achieved in order to test the competitiveness of the proposed hybrid model.