0% encontró este documento útil (0 votos)
65 vistas9 páginas

OUTPUT1

El documento describe la implementación de un modelo de red neuronal Perceptrón multicapa (MLP) para predecir impagos en préstamos bancarios, utilizando un conjunto de datos con 850 filas. Se detalla la arquitectura del modelo, incluyendo la normalización de covariables y los criterios de entrenamiento, así como los resultados de clasificación y la importancia de las variables independientes. Los resultados muestran un porcentaje de pronósticos incorrectos del 16.8% en el conjunto de entrenamiento y del 21.9% en la reserva.
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
0% encontró este documento útil (0 votos)
65 vistas9 páginas

OUTPUT1

El documento describe la implementación de un modelo de red neuronal Perceptrón multicapa (MLP) para predecir impagos en préstamos bancarios, utilizando un conjunto de datos con 850 filas. Se detalla la arquitectura del modelo, incluyendo la normalización de covariables y los criterios de entrenamiento, así como los resultados de clasificación y la importancia de las variables independientes. Los resultados muestran un porcentaje de pronósticos incorrectos del 16.8% en el conjunto de entrenamiento y del 21.9% en la reserva.
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd

SET SEED=9191972.

COMPUTE partition=2*rv.bernoulli(0.7)-1.
EXECUTE.
*Multilayer Perceptron Network.
MLP impago (MLEVEL=N) BY educ WITH edad deudaotro empleo direccion ingresos de
udaingr deudacred
/RESCALE COVARIATE=NORMALIZED
/PARTITION VARIABLE=partition
/ARCHITECTURE AUTOMATIC=YES (MINUNITS=1 MAXUNITS=50)
/CRITERIA TRAINING=BATCH OPTIMIZATION=SCALEDCONJUGATE LAMBDAINITIAL=0.000000
5
SIGMAINITIAL=0.00005 INTERVALCENTER=0 INTERVALOFFSET=0.5 MEMSIZE=1000
/PRINT CPS NETWORKINFO SUMMARY CLASSIFICATION IMPORTANCE
/PLOT ROC GAIN LIFT PREDICTED
/STOPPINGRULES ERRORSTEPS= 1 (DATA=AUTO) TRAININGTIMER=ON (MAXTIME=15) MAXEP
OCHS=AUTO
ERRORCHANGE=1.0E-4 ERRORRATIO=0.001
/MISSING USERMISSING=EXCLUDE .

Perceptrón multicapa

Página 1
Notas

Salida creada 15-NOV-2020 16:10:40


Comentarios
Entrada Datos C:
\Users\Usuario\Downloads\bankloan
.sav
Conjunto de datos activo ConjuntoDatos1
Etiqueta de archivo Bank Loan Default
Filtro <ninguno>
Ponderación <ninguno>
Segmentar archivo <ninguno>
N de filas en el archivo de
datos de trabajo 850

Manejo de valor perdido Definición de perdidos Los valores perdidos del sistema y
del usuario se tratan como perdidos.

Casos utilizados Las estadísticas se basan en casos


con datos válidos para todas las
variables utilizadas por el
procedimiento.
Manejo de ponderaciones no aplicable
Sintaxis MLP impago (MLEVEL=N) BY educ
WITH edad deudaotro empleo
direccion ingresos deudaingr
deudacred
/RESCALE
COVARIATE=NORMALIZED
/PARTITION VARIABLE=partition
/ARCHITECTURE
AUTOMATIC=YES (MINUNITS=1
MAXUNITS=50)
/CRITERIA TRAINING=BATCH
OPTIMIZATION=SCALEDCONJUG
ATE LAMBDAINITIAL=0.0000005
SIGMAINITIAL=0.00005
INTERVALCENTER=0
INTERVALOFFSET=0.5
MEMSIZE=1000
/PRINT CPS NETWORKINFO
SUMMARY CLASSIFICATION
IMPORTANCE
/PLOT ROC GAIN LIFT
PREDICTED
/STOPPINGRULES
ERRORSTEPS= 1 (DATA=AUTO)
TRAININGTIMER=ON
(MAXTIME=15)
MAXEPOCHS=AUTO
ERRORCHANGE=1.0E-4
ERRORRATIO=0.001
/MISSING ...
00:00:04.23
Página 2
Notas

Recursos Tiempo de procesador 00:00:04.23


Tiempo transcurrido 00:00:04.79

[ConjuntoDatos1] C:\Users\Usuario\Downloads\bankloan.sav

Resumen de procesamiento de casos

N Porcentaje
Ejemplo Entrenamiento 499 71,3%
Reserva 201 28,7%
Válido 700 100,0%
Excluido 150
Total 850

Información de red

Capa de entrada Factores 1 Nivel de educación


Covariables 1 Edad en años
2 Otras deudas en
miles
3 Años con la empresa
actual
4 Años en la dirección
actual
5 Ingresos familiares
en miles
6 Tasa de deuda
sobre ingresos
(x100)
7 Deuda de la tarjeta
de crédito en miles
Número de unidadesa 12
Método de cambio de escala para las covariables Normalizada
Capas ocultas Número de capas ocultas 1
a
Número de unidades en la capa oculta 1 5
Función de activación Tangente hiperbólica

Capa de salida Variables dependientes 1 Impagos anteriores


Número de unidades 2
Función de activación Softmax
Función de error Entropía cruzada
a. Se excluye la unidad de sesgo

Página 3
Resumen del modelo

Entrenamiento Error de entropía cruzada 185,462


Porcentaje de pronósticos
incorrectos 16,8%

Regla de parada utilizada Se ha superado el


número máximo de
épocas (100)
Tiempo de entretamiento 0:00:00.68
Reserva Porcentaje de pronósticos
incorrectos 21,9%

Variable dependiente: Impagos anteriores

Clasificación

Pronosticado
Porcentaje
Ejemplo Observado No Sí correcto
Entrenamiento No 347 28 92,5%
Sí 56 68 54,8%
Porcentaje global 80,8% 19,2% 83,2%
Reserva No 130 12 91,5%
Sí 32 27 45,8%
Porcentaje global 80,6% 19,4% 78,1%
Variable dependiente: Impagos anteriores

Página 4
No
Pseudoprobabilidad pronosticada 1,0 Sí

0,8

0,6

0,4

0,2

0,0

No Sí

Impagos anteriores

Página 5
1,0 No

,8
Sensibilidad

,6

,4

,2

,0
,0 ,2 ,4 ,6 ,8 1,0

1 - Especificidad

Variable dependiente: Impagos anteriores

Área bajo la curva

Área
Impagos anteriores No ,867
Sí ,867

Página 6
100% No

90%

80%

70%

60%
Ganancia

50%

40%

30%

20%

10%

0%
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

Porcentaje

Variable dependiente: Impagos anteriores

Página 7
No

3,0

2,5
Elevación

2,0

1,5

1,0
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

Porcentaje

Variable dependiente: Impagos anteriores

Importancia de las variables independientes

Importancia
Importancia normalizada
Nivel de educación ,063 21,2%
Edad en años ,046 15,5%
Otras deudas en miles ,016 5,5%
Años con la empresa actual
,297 100,0%

Años en la dirección actual


,083 27,8%

Ingresos familiares en miles


,138 46,6%

Tasa de deuda sobre


ingresos (x100) ,080 26,9%

Deuda de la tarjeta de
crédito en miles ,277 93,1%

Página 8
Importancia normalizada
0% 20% 40% 60% 80% 100%

empleo

deudacred

ingresos

direccion

deudaingr

educ

edad

deudaotro

0,0 0,1 0,2 0,3

Importancia

IF (partition>0) partition=partition - rv.bernoulli(0.2).


EXECUTE.
IF (partition>0) partition=partition-rv.bernoulli(0.2).
EXECUTE.

Página 9

También podría gustarte