Prévision énergétique des ménages :
une étude innovante de papernest
Cette étude conduite par papernest, développe un modèle de prévision énergétique pour les ménages en privilégiant l’explicabilité. Elle compare plusieurs algorithmes et propose un arbre de décision personnalisé pour fournir des prévisions précises et transparentes, alignées sur les attentes des utilisateurs et du secteur énergétique.
Méthodologie 🚀
Cette étude évalue différents algorithmes pour optimiser précision, logique métier, et transparence dans la prévision de consommation des ménages :
- Algorithme hérité : Arbre de décision de base, tendance à surestimer.
- Algorithme Gradient Boost : Haute précision, faible explicabilité.
- Régresseur de forêt aléatoire : Précision et cohérence élevées, explicabilité acceptable.
- Régression linéaire : Simple, mais manque de précision.
- Arbre de décision personnalisé : Modèle ajustable, transparent, et adapté aux besoins commerciaux.
Résultat 💡
Le modèle le plus performant dans l'étude est le Régresseur de forêt aléatoire, qui a démontré une excellente précision et robustesse face aux valeurs aberrantes. L'arbre de décision personnalisé s'est également avéré efficace, offrant une bonne exploitabilité et permettant des prévisions claires. Cependant, le Régresseur de forêt aléatoire a surpassé les autres modèles, y compris l'arbre de décision personnalisé, en termes de performances globales.