UN MODELO MULTICLASIFICADOR PARA
LA PREDICCIÓN DE LA CARGA DE
ENFRIAMIENTO Y CALOR EN EDIFICIOS
RESIDENCIALES
MULTICLASSIFIER MODEL FOR PREDICTING COOLING
AND HEATING LOADS IN RESIDENTIAL BUILDINGS
Luis Enrique, Ramirez Milla
Universidad Nacional del Santa, Perú
pág. 6332
DOI: https://doi.org/10.37811/cl_rcm.v9i3.18273
Un Modelo Multiclasificador para la Predicción de la Carga de
Enfriamiento y Calor en Edificios Residenciales
Luis Enrique Ramirez Milla1
Lramirez@uns.edu.pe
https://orcid.org/0000-0001-9064-5395
Universidad Nacional del Santa
Perú
RESUMEN
El estudio propone un modelo multiclasificador basado en algoritmos de machine learning con
validación cruzada para predecir la carga de enfriamiento y calor en edificios residenciales en términos
del coeficiente de determinación: R2. Con respecto al método se tiene que el conjunto de datos analizado
es un dataset de Kaggle, el cual está compuesto de 768 registros, el mismo que consta de 8 variables de
entrada y 2 variables de salida. El modelo incluye varias etapas de procesamiento y evaluación y se
comparan diferentes técnicas propuestas para predecir la carga de enfriamiento y calor utilizando
conjuntos de algoritmos considerando la evaluación del desempeño. Los mejores resultados se
obtuvieron con el modelo multiclasificador 1 (Random forest regressor, Linear regresion, XGBoost y
K-nearest Neighboors) para la “Carga de calefacción” (R² = 99.75) y con XGBoost para la “carga de
enfriamiento” (R² = 99.05). Adicionalmente, se realizaron procesos de preprocesamiento de datos, como
la normalización de variables, la detección y manejo de valores atípicos, y la división del conjunto de
datos en subconjuntos de entrenamiento y prueba. La validación cruzada se aplicó para garantizar la
robustez de los modelos y evitar el sobreajuste. La implementación de realizo en Python utilizando
bibliotecas como Scikit-learn, XGBoost y Pandas. En enfoque demuestra que el uso combinado de
múltiples algoritmos mejora la precisión en la predicción de variables térmicas, siendo una herramienta
prometedora para la eficiencia energética en el diseño de edificios residenciales.
Palabras clave: modelo multiclasificador, carga de calor, carga de enfriamiento, edificios residenciales,
Python
1
Autor principal
Correspondencia: Lramirez@uns.edu.pe
pág. 6333
Multiclassifier Model for Predicting Cooling and Heating Loads in
Residential Buildings
ABSTRACT
The study proposes a multi-classifier model based on machine learning algorithms with cross-validation
to predict the cooling and heating load in residential buildings in terms of the coefficient of
determination: R2. Regarding the method, the analyzed dataset is a Kaggle dataset, which is composed
of 768 records, consisting of 8 input variables and 2 output variables. The model includes several stages
of processing and evaluation and different proposed techniques are compared to predict the cooling and
heating load using sets of algorithms considering the performance evaluation. The best results were
obtained with multi-classifier model 1 (Random Forest regressor, Linear regression, XGBoost and K-
nearest Neighbors) for the “Heating load” (R² = 99.75) and with XGBoost for the “cooling load” (R² =
99.05). Additionally, data preprocessing processes were performed, such as variable normalization,
outlier detection and handling, and splitting the dataset into training and testing subsets. Cross-
validation was applied to ensure the robustness of the models and avoid overfitting. The implementation
was carried out in Python using libraries such as Scikit-learn, XGBoost, and Pandas. The approach
demonstrates that the combined use of multiple algorithms improves the accuracy in predicting thermal
variables, making it a promising tool for energy efficiency in residential building design.
Keywords: multi-classifier model, heat load, cooling load, residential buildings, Python
Artículo recibido 17 abril 2025
Aceptado para publicación: 22 mayo 2025
pág. 6334
INTRODUCCIÓN
Obras recientes
Roy et al. (2020) propusieron una técnica de machine learning para predecir la carga térmica en
edificios residenciales usando datos de 768 muestras con 8 atributos. Utilizando R y Matlab, evaluaron
algoritmos como Gaussian Process Regression (GPR), Gradient Boosting Machine (GBM) y Minimax
Likelihood Machine Regression (MPMR), obteniendo un R² de 99%, lo que confirma la eficacia del
machine learning en la optimización energética de edificios inteligentes.
Guo et al. (2023) propusieron combinar algoritmos de optimización hiperparamétrica con LightGBM
para mejorar la predicción de cargas térmicas en edificios. Usando un dataset de 768 registros,
construyeron cuatro modelos híbridos, destacando TPE-LightGBM por su alta precisión (R² de 99.81%
en calefacción y 99.24% en refrigeración). Concluyeron que su enfoque es eficaz para evaluar la
eficiencia energética en etapas tempranas del diseño de edificaciones.
Zhou et al. (2021) analizaron 15 algoritmos de machine learning para predecir la carga de calefacción
en edificios, utilizando datos con 8 atributos y validación cruzada. GPR y Multivariate Adaptive
Regression Splines (MARS) obtuvieron el mejor desempeño con un R² de 95.6%, concluyendo que
estos modelos son precisos y eficaces para estimar la demanda energética.
Moayedi et al. (2019) estudiaron la predicción de la carga de calefacción en edificios eficientes usando
algoritmos de machine learning como ElasticNet y Random Forest. Con un dataset de 768 edificaciones,
Random Forest destacó con un R² de 99.89%, concluyendo que es una herramienta eficaz para estimar
la demanda térmica en construcciones energéticamente eficientes.
Moradzadeh et al. (2020) propusieron una metodología para predecir las cargas de calefacción y
refrigeración en edificios utilizando Multilayer perceptron (MLP) y Support vector regression (SVR),
con un dataset de 768 muestras. SVR obtuvo el mejor R² (99.79%) para calefacción y 98.78% para
refrigeración, concluyendo que ambos enfoques son eficaces para optimizar el consumo energético en
edificaciones.
pág. 6335
Algoritmos utilizados
Decision Tree
Es un algoritmo de machine learning diseñado para la toma de decisiones, el cual está compuesto por
un nodo principal, diversos nodos internos y múltiples nodos terminales o de hoja, en donde los nodos
de hoja indican los resultados de las decisiones, mientras que los demás nodos representan las pruebas
basadas en las características, cuyo propósito es crear un árbol capaz de hacer predicciones precisas
sobre datos no observadas (Zhou, 2021).
ElasticNet
Es un algoritmo robusto de machine learning que mezcla las características de Ridge y Lasso,
incorporando la función estándar de pérdida de mínimos cuadrados, empleado en problemas típicos en
conjuntos de datos de alta dimensionalidad, sobreajuste y multicolinealidad. (Mahdi et al., 2021)
K-Nearest Neighboors (KNN)
Es un método de machine learning no paramétrico que a diferencia de otros algoritmos que descartan
los datos de entrenamiento después de construir el modelo, KNN conserva en memoria todas las
instancias de entrenamiento, es así que cuando se presenta un nuevo ejemplo x que no ha sido visto
previamente, el algoritmo identifica los k ejemplos de entrenamiento más cercanos a x y determina la
etiqueta mayoritaria (en el caso de clasificación) o calcula la etiqueta media (en caso de regresión)
(Burkov, 2019).
Lasso
Es un algoritmo de regresión regularizado basado en la minimización de la norma L1 aplicada a la
regresión lineal, en donde no existe una solución directa para Lasso, por lo que se requieren enfoques
numéricos iterativos, como el descenso de gradiente, para resolverlo, como también técnicas de
subgradiente, por lo que, Lasso es útil tanto para la selección de variables como para la estimación con
penalización. (Jiang, 2021)
Random Forest
Es un modelo formado por un grupo de árboles construidos de manera recursiva. El término “Random”
señala que cada árbol emplea una muestra aleatoria de los datos originales para el entrenamiento, a la
pág. 6336
vez, en cada nodo de los árboles generados, se considera solo un subconjunto aleatorio de las
características de entrada para efectuar las divisiones (Trappenberg, 2020)
Regresión Lineal
Representa un modelo tradicional de naturaleza lineal, también denominado ajuste polinómico y
constituye uno de los enfoques lineales más básicos en machine learning, considerando un problema de
regresión lineal, donde los datos de entrenamiento consisten en p ejemplos, cuya entrada tiene n
dimensiones, representadas como (xi, i=1…p) y donde xi Rn. Por otro lado, la salida es
unidimensional y se expresa como (yi, i=1…p) con yi R. (Joshi, 2020)
Ridge
Ridge-Regressor es un método de machine learning que se emplea principalmente cuando las variables
independientes muestran una alta correlación entre sí. A diferencia de la regresión Lasso, este enfoque
mantiene todos los coeficientes en el modelo. (Thevaraja et al., 2019)
XGBoost
XGBoost Regressor es una agrupación de árboles de decisiones en el que el modelo realiza una
expansión aditiva de la función objetivo. Esto se consigue al minimizar una función de pérdida para
regular la complejidad de los árboles. (Bentéjac et al., 2021)
Métrica utilizada
R2 SCORE. Es una métrica que se refiere a la varianza de los valores predichos, dividida entre la suma
de la varianza de las predicciones y la varianza esperada de los errores (Gelman et al., 2019). Esta
métrica se expresa matemáticamente de la siguiente manera:
(1)
MATERIALES Y MÉTODOS
Aquí detallamos la metodología utilizada para la construcción del modelo multiclasificador (Figura 1),
comprendiendo las siguientes etapas: Conjunto de datos, Limpieza, preprocesamiento, división,
algoritmos, comparación de predicciones, obtención de resultados, evaluación de la métrica, selección
del mejor modelo y despliegue del modelo seleccionado.
pág. 6337
Figura 1: Modelo multiclasificador
Conjunto de datos
Para la selección de los datos se recurrió a la base de datos de Kaggle de donde se obtuvo el dataset
energy-efficiency-data-set. Este dataset comprende 768 registros de edificios residenciales con 10
atributos (8 variables predictoras y 2 variables predichas) descritos en la Tabla 1 y Figura 2.
Tabla 1: Variables del conjunto de datos sobre calefacción y enfriamiento
Variable
Descripción
Rol de la
variable
X1
Compacidad o estanqueidad relativa de las medidas correspondientes.
Entrada
X2
Cantidad de espacio que abarca la superficie externa
Entrada
X3
Área de un edificio calculada multiplicando la altura del edificio, medida a partir del
suelo hasta la línea del alero del techo por el ancho del edificio
Entrada
X4
Parte de un lote o parcela cubierta por la estructura del techo de todos los edificios,
excluyendo los aleros y los voladizos, pero incluyendo los porches, patios y garajes
cubiertos.
Entrada
X5
Distancia vertical desde el suelo hasta el punto más elevado de la habitación.
Entrada
X6
Ubicación en el entorno con referencia al tiempo, lugar y personas.
Entrada
X7
Área de la superficie interior de todas las ventanas acristaladas, incluida el área de la
hoja, el bordillo u otros elementos estructurales, que encierran el espacio
acondicionado.
Entrada
X8
Sistemas que utilizan cristal y otros materiales para cubrir espacios.
Entrada
Y1
Cantidad de energía térmica que sería necesario agregar a un espacio para mantener la
temperatura en un rango aceptable.
Salida
Y2
Cantidad de energía térmica que sería necesario extraer de un espacio (enfriamiento)
para mantener la temperatura en un rango aceptable.
Salida
pág. 6338
Figura 2: Diagrama de frecuencias de las variables en el conjunto de datos
Respecto a la correlación de las variables, en la Figura 3 se observa una alta relación de las
variables predictoras X1 - X8 con respecto a las variables predichas Y1 y Y2.
Figura 3: Matriz de correlación
Limpieza
La revisión de la información se llevó a cabo mediante comandos en Python, lo que permitió
confirmar que no existen datos faltantes, como se muestra en la Figura 4. Además, no fue
necesario aplicar transformaciones, ya que los valores presentes en las características son
adecuados para llevar a cabo los experimentos con los algoritmos propuestos.
pág. 6339
Figura 4: Escaneo de datos faltantes
Preprocesamiento
Se evaluaron los datos del conjunto para identificar la necesidad de posibles transformaciones y adecuar
su representación a un formato óptimo para tareas de minería de datos. Sin embargo, en este caso
particular, los datos ya se encontraban en condiciones apropiadas, por lo que no fue necesario realizar
ajustes adicionales
División de los datos
Se realizó una partición del conjunto de datos, asignando el 80% para el entrenamiento y el 20% restante
para la prueba. Esta estrategia tuvo como finalidad evitar que el modelo se limite a memorizar los
patrones del conjunto de entrenamiento, lo que podría causar sobreajuste (overfitting), y, en cambio,
favorecer su capacidad de generalización al realizar predicciones precisas sobre datos no vistos
previamente.
Validación cruzada
Durante el entrenamiento del modelo, se aplicó un esquema de validación cruzada con diez repeticiones,
con el fin de obtener una evaluación más robusta y generalizable del rendimiento.
Algoritmos
La Figura 5 presenta los distintos parámetros asignados a los algoritmos durante su calibración, con el
objetivo de identificar la configuración óptima para cada uno de ellos y en la Figura 6 se presenta la
definición base para el modelo multiclasificador.
pág. 6340
Figura 5: Parametrización de los algoritmos
Figura 6: Definición base para el modelo multiclasificador
Comparación de predicciones
Una vez ejecutados los algoritmos de Machine Learning y obtenidos los resultados correspondientes a
cada una de las métricas consideradas, se procedió a su tabulación, análisis y comparación. Este proceso
resulta esencial para evaluar el desempeño de los modelos y seleccionar el algoritmo que ofrezca mayor
precisión.
Obtención de resultados
La obtención de resultados en el contexto de Machine Learning se basó en la evaluación y medición del
rendimiento del modelo tras su fase de entrenamiento y validación.
pág. 6341
Este proceso no solo consistió en aplicar el modelo sobre un conjunto de prueba, sino también en
analizar la métrica clave que permitió valorar su desempeño.
Evaluación de la métrica
La evaluación de métricas en el ámbito de Machine Learning constituyó un elemento clave para analizar
el rendimiento de los modelos y respaldar decisiones fundamentadas respecto a su eficacia,
optimización y aplicabilidad en contextos reales. En el marco del presente estudio, los resultados
obtenidos por cada algoritmo fueron analizados mediante técnicas estadísticas de comparación múltiple.
Para ello, se utilizaron pruebas como Analisis de Varianzas (ANOVA) de un factor y Tukey HSD
(Honest Significant Difference), que permitieron identificar diferencias significativas en el desempeño
de los modelos evaluados.
Selección del mejor modelo
La selección del modelo de entrenamiento más adecuado en Machine Learning constituyó una etapa
crucial en el desarrollo del sistema, en la que se consideraron múltiples factores para asegurar su
efectividad. El modelo elegido no solo mostró un buen desempeño en el conjunto de entrenamiento,
sino que también evidenció una sólida capacidad de generalización al enfrentarse a datos no
previamente observados
Despliegue de mejor modelo
Se realizó el proceso de despliegue, que permitió poner el modelo entrenado a disposición en un entorno
de preproducción.
El objetivo principal del despliegue fue integrar el modelo dentro de un sistema operativo funcional,
destinado a su utilización por usuarios finales o como parte de otros sistemas automatizados. La Figura
7 presenta la implementación del sistema diseñado para ofrecer una interfaz intuitiva, además se observa
el ingreso de datos, a partir de los cuales el sistema realiza la predicción de la carga (Figura 8).
pág. 6342
Figura 7: Interfaz del sistema
Figura 8: Resultados obtenidos sobre la predicción
RESULTADOS
Resultados sobre R2 Score - Calefacción
Tal como se observa en la Tabla 2, el modelo que alcanzó el valor más alto en la métrica R² Score para
la predicción de la “carga de calefacción” en edificios residenciales fue el Modelo Multiclasificador 1,
con un 99.75%. Le siguen Decision Tree con 99.67% y XGBoost con 99.05%. Posteriormente se ubican
el Modelo Multiclasificador 2 con 97.62% y KNN con 97.28%, seguidos por Random Forest con
97.08%.
Por otro lado, Regresión Lineal y Ridge alcanzaron valores similares, con 90.86% y 90.84%
respectivamente. Finalmente, Lasso obtuvo un 51.28%, y ElasticNet presentó el desempeño más bajo
con un 43.80%.
pág. 6343
Tabla 2: Resultados de la métrica R2 Score (Calefacción)
CV
Decision
Tree
Regresión
Lineal
Ridge
Lasso
Elastic
Net
KNN
Random
Forest
XG
Boost
Modelo
multiclasi
ficador 1
Modelo
multiclasi
ficador 2
2
99.67%
90.86%
90.84%
51.28%
43.80%
97.11%
96.98%
98.03%
99.74%
96.95%
3
99.64%
90.86%
90.84%
51.28%
43.80%
97.11%
97.14%
98.72%
99.74%
97.07%
4
99.67%
90.86%
90.84%
51.28%
43.80%
97.11%
97.18%
98.90%
99.77%
97.88%
5
99.67%
90.86%
90.84%
51.28%
43.80%
97.12%
97.09%
98.90%
99.75%
98.34%
6
99.65%
90.86%
90.84%
51.28%
43.80%
97.11%
97.29%
99.32%
99.72%
97.67%
7
99.67%
90.86%
90.84%
51.28%
43.80%
97.11%
97.16%
99.33%
99.74%
96.86%
8
99.67%
90.86%
90.84%
51.28%
43.80%
97.19%
96.75%
99.33%
99.76%
97.91%
9
99.67%
90.86%
90.84%
51.28%
43.80%
98.60%
96.96%
99.32%
99.74%
98.66%
10
99.67%
90.86%
90.84%
51.28%
43.80%
97.19%
97.17%
99.32%
99.75%
97.21%
11
99.68%
90.86%
90.84%
51.28%
43.80%
97.11%
97.11%
99.33%
99.76%
97.69%
Prec.
99.67%
90.86%
90.84%
51.28%
43.80%
97.28%
97.08%
99.05%
99.75%
97.62%
Según lo mostrado en la Tabla 3, el valor de significancia obtenido en la prueba ANOVA fue de 0.000,
lo cual es inferior al umbral de 0.05. Esto permite rechazar la hipótesis nula de igualdad entre los grupos
evaluados y concluir que existe evidencia estadísticamente significativa de que al menos algunas de las
medias difieren entre sí.
Tabla 3: Prueba ANOVA de R2 Score (Calefacción)
ANOVA de un factor
Suma de cuadrados
gl
Media cuadrática
F
Sig.
Entre grupos
39592,826
9
4399,203
55992,140
,000
Dentro de grupos
7,071
90
,079
Total
39599,897
99
De acuerdo con los resultados de la prueba de Tukey (ver Tabla 4), y considerando un nivel de
significancia de 0.05, se identificó que no existen diferencias significativas entre ciertos pares de
algoritmos. Por ejemplo, la comparación entre Decision Tree y Modelo Multiclasificador 1, así como
entre Regresión Lineal y Ridge, arrojó un valor de 1.000, lo que indica equivalencia estadística.
Asimismo, la comparación entre KNN y Random Forest resultó en un valor de 0.872, y entre KNN y
Modelo Multiclasificador 2 en 0.161, por lo que, en ambos casos, se acepta la hipótesis nula. No
obstante, en otras comparaciones como Ridge frente a Decision Tree, o Lasso frente a XGBoost, se
obtuvo un valor de 0.000, lo que indica la existencia de diferencias estadísticamente significativas entre
los modelos evaluados.
pág. 6344
Tabla 4: Resultados de prueba Tukey según la métrica R2 Score (Calefacción) - pares de modelos sin
diferencias significativas
Comparaciones múltiples
Variable dependiente: valor HSD Tukey
(I) algoritmo
(J) algoritmo
Diferencia de
medias (I-J)
Desv. Error
Sig.
Intervalo de confianza al 95%
Límite inferior
Límite
superior
Decision_tree
Modelo
multiclasificador 1
-,08100
,12535
1,000
-,4877
,3257
Regresion_LINEAL
RIDGE
,02000
,12535
1,000
-,3867
,4267
RIDGE
Regresion_Lineal
-,02000
,12535
1,000
-,4267
,3867
KNN
Modelo
Multiclasificador 2
-,34800
,12535
,161
-,7547
,0587
RANDOM_FOREST
KNN
-,19300
,12535
,872
-,5997
,2137
Modelo
Multiclasificador 1
DECISION_TREE
,08100
,12535
1,000
-,3257
,4877
Modelo
Multiclasificador 2
KNN
,34800
,12535
,161
-,0587
,7547
Resultados sobre R2 Score - Enfriamiento
Tal como se presenta en la Tabla 5, el modelo que alcanzó el mayor valor en la métrica R² Score para
la predicción de la carga de enfriamiento en edificios residenciales fue XGBoost, con un 99.05%. Le
siguen Modelo Multiclasificador 1 con 98.56% y KNN con 97.13%. Posteriormente se ubican Random
Forest (97.04%) y Decision Tree (95.31%). A continuación, se encuentran Modelo Multiclasificador 2
con 93.69%, Regresión Lineal con 88.62% y Ridge con 88.61%. Finalmente, los modelos con menor
desempeño fueron Lasso, con 51.28%, y ElasticNet, con 44.24%.
Tabla 5: Resultados de la métrica R2 Score (Enfriamiento)
CV
Decision
Tree
Regresión
Lineal
Ridge
Lasso
Elastic
Net
KNN
Random
Forest
XG
Boost
Modelo
multiclasi
ficador 1
Modelo
multiclasi
ficador 2
2
95.47%
88.62%
88.61%
51.28%
44.24%
97.11%
97.09%
98.03%
97.84%
91.77%
3
94.94%
88.62%
88.61%
51.28%
44.24%
97.11%
97.22%
98.72%
97.59%
93.82%
4
95.33%
88.62%
88.61%
51.28%
44.24%
97.11%
96.91%
98.90%
98.52%
92.92%
5
95.33%
88.62%
88.61%
51.28%
44.24%
97.12%
97.10%
98.90%
98.75%
93.43%
6
95.33%
88.62%
88.61%
51.28%
44.24%
97.11%
97.02%
99.32%
98.52%
94.23%
7
95.33%
88.62%
88.61%
51.28%
44.24%
97.11%
97.01%
99.33%
99.01%
94.66%
8
95.34%
88.62%
88.61%
51.28%
44.24%
97.19%
97.09%
99.33%
98.76%
94.01%
9
95.33%
88.62%
88.61%
51.28%
44.24%
97.11%
96.99%
99.32%
98.66%
93.58%
10
95.33%
88.62%
88.61%
51.28%
44.24%
97.19%
96.84%
99.32%
99.05%
94.72%
11
95.33%
88.62%
88.61%
51.28%
44.24%
97.11%
97.12%
99.33%
98.87%
93.77%
Prec.
95.31%
88.62%
88.61%
51.28%
44.24%
97.13%
97.04%
99.05%
98.56%
93.69%
pág. 6345
Según lo indicado en la Tabla 6, el valor de significancia obtenido en la prueba ANOVA fue de
0.000, lo cual es inferior al umbral de 0.05. Esto permite rechazar la hipótesis nula de igualdad entre
los grupos evaluados y concluir que existen diferencias significativas entre al menos algunas de las
medias comparadas.
Tabla 6: Prueba ANOVA de R2 Score (Enfriamiento)
ANOVA de un factor
Suma de cuadrados
gl
Media cuadrática
F
Sig.
Entre grupos
36782,570
9
4086,952
34065,379
,000
Dentro de grupos
10,798
90
,120
Total
36793,367
99
De acuerdo con los resultados de la prueba de Tukey (Tabla 7) y considerando un nivel de significancia
de 0.05, no se identificaron diferencias estadísticamente significativas entre algunos pares de
algoritmos. En particular, las comparaciones entre Regresión Lineal y Ridge, así como entre KNN y
Random Forest, arrojaron un valor de 1.000, indicando similitud en su desempeño. Asimismo, la
comparación entre XGBoost y Modelo Multiclasificador 1 presentó un valor de 0.059, lo que también
llevó a aceptar la hipótesis nula. No obstante, en otras comparaciones —como Ridge frente a Decision
Tree o ElasticNet frente a KNN— se obtuvo un valor de 0.000, lo que evidencia diferencias
estadísticamente significativas entre los modelos evaluados.
Tabla 7: Resultados de prueba Tukey según la métrica R2 Score (Enfriamiento) - pares de modelos sin
diferencias significativas
Comparaciones múltiples
Variable dependiente: valor HSD Tukey
(I) algoritmo
(J) algoritmo
Diferencia de
medias (I-J)
Desv. Error
Sig.
Intervalo de confianza al 95%
Límite inferior
Límite
superior
Regresion_Lineal
Ridge
,01000
,15490
1,000
-,4926
,5126
Ridge
Regresion_Lineal
-,01000
,15490
1,000
-,5126
,4926
DISCUSIÓN
Comparativa con investigaciones anteriores
El algoritmo de machine learning que mostró el mejor desempeño en la predicción de la carga térmica
en edificios residenciales fue el Modelo Multiclasificador 1, con un R² Score de 99.75%.
pág. 6346
En cuanto a la predicción de la carga de enfriamiento, el modelo más eficiente fue XGBoost, alcanzando
un R² Score de 99.05%.
Estos resultados coinciden con estudios previos, como el de Zhou et al. (2021), quienes demostraron
que los modelos GPR y MARS obtuvieron un R² de 95.6% para la carga de calefacción, concluyendo
que los algoritmos de machine learning son herramientas eficaces para predecir el consumo energético
en edificaciones. De manera similar, Moayedi et al. (2019) reportaron que el algoritmo Random Forest
alcanzó un R² de 99.89%, evidenciando su alta precisión en la predicción de cargas térmicas en edificios
energéticamente eficientes.
Asimismo, Mohammed et al. (2021) encontraron que XGBoost logró un R² Score de 97.30% en la
predicción de la carga de enfriamiento, destacando que el uso de métodos combinados puede mejorar
significativamente la precisión del modelo. Por su parte, Sadeghi et al. (2020) reportaron que las redes
neuronales profundas alcanzaron un R² Score de 99.44% en la predicción de carga de enfriamiento,
concluyendo que los modelos de machine learning superan a otros enfoques tradicionales utilizados en
la literatura.
CONCLUSIONES
Se evaluaron diez modelos, incluyendo dos diseñados mediante la técnica de ensamble Stacking, con
el objetivo de predecir la carga de calefacción y enfriamiento en edificios residenciales y se identificó
que las técnicas con mejor desempeño en términos de R² para la predicción de la carga térmica en
edificios residenciales durante las pruebas fueron el 'Modelo Multiclasificador 1', con un 99.75%, para
la carga de calefacción, y 'XGBoost', con un 99.05%, para la carga de enfriamiento. Posteriormente,
mediante la prueba ANOVA de Friedman aplicada a los valores de R² y las pruebas post hoc, se
obtuvieron nivel de significancia de 0.00. Esto indica que los modelos logran explicar un alto porcentaje
de la variabilidad en la carga térmica de los edificios, lo que sugiere una alta capacidad predictiva en
este contexto.
Además, estos resultados permiten concluir que el uso de modelos avanzados basados en machine
learning no solo mejora la precisión en la estimación de cargas térmicas, sino que también ofrece una
herramienta eficiente para apoyar la contratación de estas cargas en edificios residenciales.
pág. 6347
Es importante destacar que los modelos mas precisos logran una generalización adecuada sin
comprometer el rendimiento en lo datos de prueba, gracias al uso de validación cruzada y técnicas de
preprocesamiento. Asimismo, la superioridad del modelo multiclasificador puede atribuirse a la
combinación de los algoritmos complementarios, lo que refuerza la utilidad de enfoques híbridos en
este tipo de problemas. En conjunto, los hallazgos respaldan el potencial de estas técnicas como soporte
para decisiones en términos de sostenibilidad y eficiencia energética.
REFERENCIAS BIBLIOGRAFICAS
Bentéjac, C., Csörgő, A., & Martínez-Muñoz, G. (2021). A comparative analysis of gradient boosting
algorithms. Artificial Intelligence Review, 54, 1937-1967. https://doi.org/10.1007/s10462-
020-09896-5
Burkov, A. (2019). The hundred-page machine learning book. Canada: Andriy Burkov.
Gelman, A., Goodrich, B., Gabry, J., & Vehtari, A. (2019). R-squared for Bayesian regression
models. The American Statistician, 73(3), 307-309.
https://doi.org/10.1080/00031305.2018.1549100
Guo, J., Yun, S., Meng, Y., He, N., Ye, D., Zhao, Z., ... & Yang, L. (2023). Prediction of heating and
cooling loads based on light gradient boosting machine algorithms. Building and
Environment, 236, 110252. https://doi.org/10.1016/j.buildenv.2023.110252
Jiang, H. (2021). Machine learning fundamentals: A concise introduction. Kingdom of England:
Cambridge University Press. https://doi.org/10.1017/9781108938051
Joshi, A. V. (2020). Machine learning and artificial intelligence. United States: Springer.
Mahdi, G. J. M., Mohammed, N. J., & Al-Sharea, Z. I. (2021, May). Regression shrinkage and selection
variables via an adaptive elastic net model. Journal of Physics: Conference Series, 1879(3),
032014. https://doi.org/10.1088/1742-6596/1879/3/032014
Moayedi, H., Bui, D. T., Dounis, A., Lyu, Z., & Foong, L. K. (2019). Predicting heating load in energy-
efficient buildings through machine learning techniques. Applied Sciences, 9(20), 4338.
https://doi.org/10.3390/app9204338
pág. 6348
Mohammed, A. S., Asteris, P. G., Koopialipoor, M., Alexakis, D. E., Lemonis, M. E., & Armaghani,
D. J. (2021). Stacking ensemble tree models to predict energy performance in residential
buildings. Sustainability, 13(15), 8298. https://doi.org/10.3390/su13158298
Moradzadeh, A., Mansour-Saatloo, A., Mohammadi-Ivatloo, B., & Anvari-Moghaddam, A. (2020).
Performance evaluation of two machine learning techniques in heating and cooling loads
forecasting of residential buildings. Applied Sciences, 10(11), 3829.
https://doi.org/10.3390/app10113829
Roy, S. S., Samui, P., Nagtode, I., Jain, H., Shivaramakrishnan, V., & Mohammadi-Ivatloo, B. (2020).
Forecasting heating and cooling loads of buildings: A comparative performance
analysis. Journal of Ambient Intelligence and Humanized Computing, 11, 1253-1264.
https://doi.org/10.1007/s12652-019-01317-y
Sadeghi, A., Younes Sinaki, R., Young, W. A., & Weckman, G. R. (2020). An intelligent model to
predict energy performances of residential buildings based on deep neural
networks. Energies, 13(3), 571. https://doi.org/10.3390/en13030571
Thevaraja, M., Rahman, A., & Gabirial, M. (2019, April). Recent developments in data science:
Comparing linear, ridge and lasso regressions techniques using wine data. In Proceedings of
the international conference on digital image & signal processing (pp. 1-6).
Trappenberg, T. P. (2020). Fundamentals of machine learning. United Kingdom: Oxford University
Press.
Zhou, Y., Liu, Y., Wang, D., & Liu, X. (2021). Comparison of machine-learning models for predicting
short-term building heating load using operational parameters. Energy and Buildings, 253,
111505. https://doi.org/10.1016/j.enbuild.2021.111505
