机器学习模型在住宅能源数据有限时准确性下降

一项新近发表在arXiv上的研究比较了各种机器学习模型在使用有限输入数据估算住宅能源消耗方面的有效性。研究人员发现，虽然CatBoost等模型在使用全套特征时取得了高精度（ResStock的R2=0.90，RECS的R2=0.73），但在仅限于十个易于获取的输入时，性能显著趋同（RECS的R2=0.61，ResStock的R2=0.62）。然而，对于更同质化的房屋群体，减少输入的模型显示出更高的准确性，这表明尽管存在数据限制，有针对性的建模仍然有效。 AI

影响 强调了能源估算中数据可用性与模型准确性之间的权衡，影响了机器学习在该领域的实际部署。

排序理由 学术论文，详细介绍了用于能源估算的机器学习模型的比较分析。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arXiv
• CatBoost
• Climate Zone 6A
• Hugging Face
• LightGBM
• Neural Networks
• random forest
• ResStock
• XGBoost

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →