Blas_Gimenez
Blas Gimenez
Recently Published
Comparación R2, MAE y RMSE en predicción Energética con KNN, SVM, XGBoost, Random Forest, RNA, RNR, GRU, LSTM, ARIMA y PROFET
Análisis comparativo de rendimiento entre algoritmos de Machine Learning ( KNN, SVM, XGBoost, Random Forest, RNA, RNR, GRU, LSTM, ARIMA y PROFET) aplicados a la predicción de generación solar, eólica y demanda eléctrica. Se presentan métricas R², RMSE y MAE para evaluar precisión y errores de cada modelo.
Comparación R2, MAE y RMSE en predicción Energética con KNN, SVM, XGBoost, Random Forest, RNA, RNR, GRU y LSTM
Análisis comparativo de rendimiento entre algoritmos de Machine Learning ( KNN, SVM, XGBoost, Random Forest, RNA, RNR, GRU y LSTM) aplicados a la predicción de generación solar, eólica y demanda eléctrica. Se presentan métricas R², RMSE y MAE para evaluar precisión y errores de cada modelo.
Comparación R2, MAE y RMSE en predicción Energética con KNN, SVM, XGBoost, Random Forest y RNA_TensorFlow
Análisis comparativo de rendimiento entre algoritmos de Machine Learning (KNN, SVM, XGBoost, Random Forest y RNA_TensorFlow) aplicados a la predicción de generación solar, eólica y demanda eléctrica. Se presentan métricas R², RMSE y MAE para evaluar precisión y errores de cada modelo.
Comparación R2, MAE y RMSE en predicción Energética con KNN, SVM, XGBoost, Random Forest y RNA_Rstudio
Análisis comparativo de rendimiento entre algoritmos de Machine Learning (KNN, SVM, XGBoost, Random Forest y RNA c(12)) aplicados a la predicción de generación solar, eólica y demanda eléctrica. Se presentan métricas R², RMSE y MAE para evaluar precisión y errores de cada modelo.
Comparación de Arquitecturas en Redes Neuronales para Pronóstico de Energía en R
Este proyecto explora cómo la cantidad de capas y neuronas en una Red Neuronal afecta la precisión del pronóstico de generación solar, eólica y demanda eléctrica. Se implementaron modelos en R con la librería neuralnet, evaluando arquitecturas como A1 = c(3), A2 = c(3,3), A3 = c(3,3,3), A4 = c(3,3,3,3), A5 = c(3,3,3,3,3), A6 = c(3,3,3,3,3,3), A7 = c(6), A8 = c(8), A9 = c(10), A10 = c(12), A11 = c(15,15), A12 = c(10,10), A13 = c(20).
Se compararon las métricas de error (R², RMSE, MAE) para cada arquitectura, observando el impacto de aumentar la profundidad y el número de neuronas sobre la precisión del pronóstico. Los resultados muestran el desafío de equilibrar la complejidad del modelo con la precisión en series temporales de energía.
Comparacion R2, MAE y RMSE en prediccion Energetica con KNN, SVM, RF y XGboost
Este resultado compara el desempeño de cuatro algoritmos (KNN, SVM, Random Forest, XGBoost) para predecir tres variables energéticas: Solar, Eólica y Carga, usando tres métricas: R², RMSE, MAE
Basado en el gráfico y las métricas evaluadas para las tres variables energéticas (Carga, Eólica, Solar), el mejor modelo es XGBoost