İçeriğe atla
Açık kaynakYapay zekâ / MLZaman serisi · Regresyon

Appliances Energy Prediction

Akıllı ev enerji tüketimi için regresyon modelleri karşılaştırması

Rol
Veri bilimi
Dönem
2025
Durum
Açık kaynak
Bağlantılar
GitHub ↗

Rakamlarla

19,735
ölçüm satırı
0.76
R² (LightGBM)
4
model karşılaştırıldı

Genel bakış

UCI veri setindeki 19.735 adet 10 dakikalık ölçümle ev aletlerinin enerji tüketimini tahmin eden çalışma. Random Forest, XGBoost, LightGBM ve doğrusal regresyon karşılaştırıldı; LightGBM R² ≈ 0.76 ile öne çıktı.

  • Sağa çarpık hedef değişken log dönüşümüyle ele alındı; saat, hafta günü ve hafta sonu öznitelikleri türetildi.
  • SelectKBest, RFE ve PCA karşılaştırıldı: SelectKBest küçük bir iyileşme sağladı, PCA bu problemde zarar verdi.

01

Problem

Ev aletlerinin enerji tüketimi az sayıda yüksek tepeyle sağa çarpık dağılıyor; iç mekân sıcaklık/nem sensörleri ile dış hava verisi arasında güçlü korelasyonlar var. Hedef, bu veriyle 10 dakikalık tüketimi tahmin etmek ve hangi model ailesinin bu yapıya uyduğunu görmekti.

02

Yaklaşım

34 sütunlu veri seti üzerinde keşifsel analiz (zaman serisi, korelasyon ısı haritası, saatlik kutu grafikleri), log dönüşümü ve zaman öznitelikleri. Doğrusal regresyon taban çizgisi; Random Forest, XGBoost ve LightGBM hiperparametre aramasıyla eğitildi. RMSE ve R² ile değerlendirildi.

03

Mimari

  1. Veri
    • UCI veri seti
    • 19.735 × 34
  2. Hazırlık
    • Log dönüşümü
    • Zaman öznitelikleri
    • SelectKBest
  3. Modeller
    • Linear
    • Random Forest
    • XGBoost
    • LightGBM
↓ Veri akışı yukarıdan aşağıya

04

Kilit kararlar

  1. 01

    Hedefi log ölçeğine almak

    Tepe değerler RMSE'yi domine ediyordu. Log dönüşümü dağılımı dengeledi ve ağaç modellerinin düşük tüketimi de öğrenmesini sağladı.

Sonuç

LightGBM test setinde R² ≈ 0.76 ve log ölçeğinde RMSE ≈ 0.217 ile en iyi sonucu verdi. SelectKBest ile öznitelik seçimi RMSE'yi 0.2138'den 0.2122'ye düşürdü; PCA ise 0.36'ya çıkararak bu problem için uygun olmadığını gösterdi.

Benzer projeler

  • Yapay zekâ / ML
    Açık kaynak

    Traffic Accident Severity Prediction

    100.000+ kaza kaydıyla eğitilmiş rota riski tahmini

    100.000+ geçmiş kaza kaydıyla eğitilmiş rota riski tahmini; %85+ doğrulukla gerçek zamanlı uyarı üretiyor. OpenRouteService ve hava durumu API'leriyle çalışıyor.

    100K+
    kaza kaydı
    85%+
    doğruluk
    • Python
    • Scikit-Learn
    • XGBoost
    • Pandas
    • Flask
    • React
    İncele
    GitHub ↗
  • Yapay zekâ / ML
    Açık kaynak

    Mobile Price Classification

    Donanım özelliklerinden telefon fiyat segmenti sınıflandırması

    RAM, pil, ekran ve kamera gibi donanım özelliklerinden telefonun fiyat segmentini tahmin eden sınıflandırma çalışması; veri toplama betiği, Jupyter analizi ve konteynerize edilmiş tahmin servisi.

    • Python
    • Pandas
    • Scikit-Learn
    • Jupyter
    • Docker
    İncele
    GitHub ↗
  • Yapay zekâ / ML
    Canlı

    ChefsStack

    Vektör tabanlı öneri motoruna sahip tarif platformu

    Tarif ve öneri platformu. Öneriler elle yazılmış kurallara değil, vektör benzerliğine dayanıyor; kullanıcı etkileşimleri Kafka ve Redis üzerinden kişisel akışlara dönüşüyor.

    <50ms
    benzerlik sorgusu
    1.000+
    etkileşim olayı işlendi
    • Python
    • FastAPI
    • PostgreSQL
    • pgvector
    • Redis
    • Kafka
    İncele
    Siteye git ↗