Un Modelo Multiclasificador para la Predicción de la Carga de Enfriamiento y Calor en Edificios Residenciales

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.