Исследования энергопотребления с использованием методов машинного обучения стали особенно актуальными в последние годы в связи с растущим интересом к повышению энергоэффективности, оптимизации использования энергии и поддержанию устойчивости. Алгоритмы Decision Tree, Random Forest и KNN были оценены с использованием кросс-валидации. Random Forest показал себя как наиболее эффективная модель, продемонстрировав минимальный Mean Squared Error (MSE) 122,077.62 и коэффициент детерминации R² 0.8985±0.0199. Точность KNN варьировалась от 0.77 до 0.82, а MSE — в пределах от 109,470.71 до 257,093.29. Производительность Decision Tree значительно менялась в зависимости от разделения train-test, с MSE в диапазоне 162,418–313,635 и значениями R² от 0.724 до 0.873. Лучшие результаты были получены при соотношении train-test 90%-10%, что подчеркивает важность объема обучающих данных для достижения оптимальной точности прогнозирования.

алгоритмы машинного обучения; энергопотребление; Random Forest; Decision Tree; KNN; энергетическая инфраструктура