MINIPROYECTO 2

Clasificacin de las 500 empresas mas exitosas.

Albeiro Buendia Diago, 1010076, albeirobu@gmail.com

RESUMEN
Representar las 7 caractersticas de una
empresa a travs de mapas auto-organizado
con el fin de identificar y definir qu empresas
son realmente exitosas y cules no.
INTRODUCCION
La red auto-organizada debe descubrir rasgos
comunes, regularidades, correlaciones o
categoras en los datos de entrada, e
incorporarlos a su estructura interna de
conexiones. Se dice, por tanto, que las
neuronas deben auto-organizarse en funcin
de los estmulos (datos) procedentes del
exterior. Se pretende que cuando se presente
a la red un patrn de entrada, slo una de las
neuronas de salida (o un grupo de vecinas) se
active. Por tanto, las neuronas compiten por
activarse, quedando finalmente una como
neuronas vencedoras y anuladas el resto, que
son forzadas a sus valores de respuesta
mnimos. El objetivo de este aprendizaje es
categorizar los datos que se introducen en la
red y clasificar valores similares en la misma
categora y, por tanto, deben activar la misma
neurona de salida.

NUtilidadNeta =
UtilidadNeta'/norm(UtilidadNeta');
NVingreso = Vingreso'/norm(Vingreso');

Se tom una muestra 500 empresas de 700

planteada en la base de datos de
2.
Configuramos
la
red
neuronal
definiendo los valores de al entradas contenido
en la variable lmite entre -0.3 y 1 teniendo en
cuenta la informacin de lo los valores mnimos
y mximos de cada caracterstica arrojada por
Matlab, tambin se defini la dimensin de la
capara 10X10 y topologa Gridtop
net=newsom(limite,[10 10],'gridtop');

3. Fase de entremaniento y simulacin.

net.trainParam.epochs = 500;
net.trainParam.show = 10;
net = train(net, Data);

Resultado y anlisis

a)
Grafica de asociacin de entre los datos
y cada una de las neuronas en la topologa,
SOM Sample Hits.

METODOLOGIA Y ANALISIS DE
RESULTADOS

Procedimiento

1.
Normalizamos las entradas de cada una
de las caractersticas y se eliminaron las
empresas que tena No Dato ND
%Normalizacin valores del vector
sobre la Norma
NActivo = Activo'/norm(Activo');
NIngreso = Ingreso'/norm(Ingreso');
NPasivo = Pasivo'/norm(Pasivo');
NPatrimonio =
Patrimonio'/norm(Patrimonio');
NUtilidad = Utilidad'/norm(Utilidad');

Figure 1. Relacin entre datos las neuronas

b)
Grafica de los planos de pesos de cada
uno de una de los datos de entrada.

Figure 4. Graficas en 3D de la ubicacin de la neurona

con respecto a la ndices de agrupacin de los datos y
distancia de las neuronas

d)
Grafica de las distancias de cada una de
las neuronas.

Figure 2. Relacin entre datos y el peso para definir

donde se encuentran concentrado lo datos

c)
Grafica de la posicin de cada una de
las neuronas.

Figure 5. Representacin de las distancias entre

neuronas

BIBLIOGRAFIA
http://www.mathworks.com/help/nnet/gs/clusterdata-with-a-self-organizing-map.html

Figure 3. Graficas de cada una de las posiciones e las

neuronas