Person:
Núñez Letamendía, Laura

Profile Picture
Email Address
Birth Date
Research Projects
Organizational Units
Job Title
First Name
Laura
Last Name
Núñez Letamendía
Affiliation
IE University
School
IE Business School
Department
Finance
Identifiers
Name

Filters

2018 - 20192
Reset filters

Settings

Author: Casado Yusta, Silvia × End date: 2022 ×

Search Results

Now showing 1 - 2 of 2
  • Thumbnail Image
    Publication
    Predicción de la quiebra empresarial: el modelo GRASP-LOGIT
    (2018) Núñez Letamendía, Laura; Casado Yusta, Silvia; Pacheco Bonrostro, Joaquín Antonio; https://ror.org/02jjdwm75
    La predicción de la quiebra empresarial es un problema que goza de una gran relevancia en las ciencias empresariales. En este trabajo se propone un nuevo método para predecir la quiebra empresarial en una muestra de empresas españolas. Concretamente se trata de un algoritmo de selección de variables basado en la estrategia metaheurística GRASP (procedimiento de búsqueda adaptativa aleatoria y voraz) para seleccionar un subconjunto de ratios financieros, como un paso preliminar para estimar un modelo de regresión logística que prediga la quiebra empresarial. La selección de un subconjunto de ratios financieros, de entre todos los disponibles, reduce los costes de adquisición de datos, aumenta la precisión de la predicción al excluir las variables irrelevantes y proporciona información sobre la naturaleza del problema de predicción. Todo lo anterior permite una mejor comprensión del modelo de clasificación final. Nuestro nuevo modelo, al que llamamos modelo GRASP-LOGIT, funciona mejor que una simple regresión logística en el sentido de que alcanza el mismo nivel de capacidad de predicción con menos ratios contables, lo que lleva a una mejor interpretación del modelo y, por lo tanto, a una mejor comprensión del proceso de quiebra empresarial.
  • Thumbnail Image
    Publication
    An Effective Metaheuristic for Bi-objective Feature Selection in Two-Class Classification Problem
    (IOP Publishing Ltd, 2019) Núñez Letamendía, Laura; Lyubchenko, Alexander; Pacheco, Joaquín Antonio; Casado Yusta, Silvia ; https://ror.org/02jjdwm75
    Feature selection is known as a very useful technique in machine learning practice as it may result in the development of more straightforward models with better accuracy. Traditionally, feature selection is considered as a single-objective problem, however, it can be easily formulated in terms of two objectives. The solving of such problems requires the application of appropriate multi-objective optimization methods that do not always offer equally good solutions even under the same conditions. This paper focuses on the development of a metaheuristic optimization approach for bi-objective feature selection problem in two-class classification. We consider the solving of this problem in terms of minimization of both misclassification error and feature subset size. For solving the considered problem, an adaptation of the Multi-Objective Adaptive Memory Programming (MOAMP) metaheuristic based on the tabu search strategy is proposed. Our MOAMP adaption has been utilized to obtain the sets of most relevant features for two real classification problems with two classes. Finally, using popular Pareto front quality indicators, the obtained results have been compared with the sets of non-dominated solutions derived by the well-known NSGA2 algorithm. The conducted research allows concluding about the ability of the MOAMP adaptation to get a better efficient frontier for the same number of objective function calls.