混合回归模型的聚类技术选择：基于太阳能热系统的案例研究
机器学习
2024-02-13 v1 多智能体系统
摘要
本工作对四种聚类技术进行了性能比较，旨在为监督学习任务构建强大的混合模型。研究收集了位于西班牙加利西亚卢戈 Xermade 实验风电场的名为 Sotavento 的生物气候房屋的真实数据集。作者选择太阳能热发电系统作为研究对象，探讨如何应用多种聚类方法结合回归技术来预测系统的输出温度。为了评估每种聚类方法的质量，实现了两种可能的方案。第一种方案基于三种无监督学习指标（Silhouette、Calinski-Harabasz 和 Davies-Bouldin），而第二种方案则采用如多层感知机（Multi Layer Perceptron）等回归算法最常用的误差测量方法。
引用
@article{arxiv.2402.06921,
title = {Clustering Techniques Selection for a Hybrid Regression Model: A Case Study Based on a Solar Thermal System},
author = {María Teresa García-Ordás and Héctor Alaiz-Moretón and José-Luis Casteleiro-Roca and Esteban Jove and José Alberto Benítez-Andrades and Isaías García-Rodríguez and Héctor Quintián and José Luis Calvo-Rolle},
journal= {arXiv preprint arXiv:2402.06921},
year = {2024}
}