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.

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
La red auto-organizada debe descubrir rasgos lmite entre -0.3 y 1 teniendo en cuenta la
comunes, regularidades, correlaciones o informacin de lo los valores mnimos y
categoras en los datos de entrada, e mximos de cada caracterstica arrojada por
incorporarlos a su estructura interna de Matlab, tambin se defini la dimensin de la
conexiones. Se dice, por tanto, que las capara 10X10 y topologa Gridtop
neuronas deben auto-organizarse en funcin
de los estmulos (datos) procedentes del net=newsom(limite,[10 10],'gridtop');
exterior. Se pretende que cuando se presente
a la red un patrn de entrada, slo una de las 3. Fase de entremaniento y simulacin.
neuronas de salida (o un grupo de vecinas) se
net.trainParam.epochs = 500;
active. Por tanto, las neuronas compiten por net.trainParam.show = 10;
activarse, quedando finalmente una como net = train(net, Data);
neuronas vencedoras y anuladas el resto, que
son forzadas a sus valores de respuesta
Resultado y anlisis
mnimos. El objetivo de este aprendizaje es
categorizar los datos que se introducen en la
a)
Grafica de asociacin de entre los
red y clasificar valores similares en la misma
datos y cada una de las neuronas en la
categora y, por tanto, deben activar la misma
topologa, SOM Sample Hits.
neurona de salida.
INTRODUCCION

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 3. Graficas de cada una de las posiciones e las

neuronas

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