Análisis de eficiencia energética en edificios residenciales utilizando aprendizaje de máquinas basado en regresión lineal
El presente trabajo de integración curricular tuvo como objetivo principal aplicar técnicas de análisis de aprendizaje automático (ML) basado en métodos de regresión para predecir las cargas de calefacción y refrigeración en edificios residenciales, a través de la generación de ecuaciones de regresi...
Uloženo v:
| Hlavní autor: | |
|---|---|
| Médium: | bachelorThesis |
| Jazyk: | spa |
| Vydáno: |
2022
|
| Témata: | |
| On-line přístup: | https://dspace.espoch.edu.ec/handle/123456789/17779 |
| Tagy: |
Přidat tag
Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!
|
Přidat tag | Shrnutí: | El presente trabajo de integración curricular tuvo como objetivo principal aplicar técnicas de análisis de aprendizaje automático (ML) basado en métodos de regresión para predecir las cargas de calefacción y refrigeración en edificios residenciales, a través de la generación de ecuaciones de regresión y código en lenguaje de Python para las técnicas de ML. Por lo que, para la creación del algoritmo de aprendizaje se utilizó un data set de rendimiento energético cuya base de datos fue extraída del Machine Learning Repository de la Universidad de California, Irvine, este conjunto de datos contiene ocho atributos (o características, denotados por X1 a X8) y dos respuestas (o resultados, denotados por Y1 y Y2) cuya finalidad es utilizar las ocho funciones para predecir cada una de las dos respuestas. La primera parte del trabajo está dedicada al análisis exploratorio de datos y visualizaciones, así como a la aplicación de técnicas estadísticas y análisis de componentes principales del data set. Luego de este análisis en una segunda parte, se desarrollaron varios métodos de regresión, donde se comparó los rendimientos de cada algoritmo, con el objetivo de encontrar el modelo más óptimo para predecir la eficiencia energética en los edificios residenciales, por último se evaluaron los diferentes algoritmos de regresión, analizando los resultados, la precisión y los errores que arrojaron estos, donde se determinó que los modelos de Random Forest Regression, Decision Tree Regressor, Extra Tree Regressor y el modelo de regresión lineal son modelos aplicables a la predicción del valor de la carga de calefacción y refrigeración, debido a que los cuatro modelos muestran precisiones mayores al 90%, siendo el modelo de Random forest el más adecuado para este estudio por dar una precisión del 98%, Se recomienda realizar otros modelos de ML con la finalidad de mejorar los resultados de las predicciones. |
|---|