მზის ენერგიის წარმოების პროგნოზირება

🌞 მზის ენერგიის წარმოების პროგნოზირება

ამოცანის აღწერა

სურვილია რეგრესიის მოდელის აგება, რომელიც იწინასწარმეტყველებს მზის პანელის ყოველდღიურ ელექტროენერგიის წარმოებას (kWh), ამინდის პირობებისა და ინსტალაციის მახასიათებლების საფუძველზე.

თითოეული ნიმუში წარმოადგენს წარმოების ერთ დღეს და ხასიათდება რამდენიმე რიცხვითი ატრიბუტით, როგორიცაა სინათლის ინტენსივობა, ჰაერის ტემპერატურა, ქარის სიჩქარე და სხვები.

სამიზნე ეტიკეტი (energy_output) წარმოადგენს იმ დღეს გენერირებულ მთლიან ენერგიას.

ეს ამოცანა მიეკუთვნება ერთცვლადიანი რეგრესიის კატეგორიას.

---

🔹 მახასიათებლები (features)

• solar_irradiance – მზის საშუალო რადიაცია (W/m²)
• temperature – ჰაერის საშუალო ტემპერატურა (°C)
• humidity – ფარდობითი ტენიანობა (%)
• wind_speed – ქარის საშუალო სიჩქარე (m/s)
• cloud_cover – ღრუბლების საშუალო დაფარვა (%)
• panel_angle – პანელის დახრის კუთხე (°)
• panel_efficiency – პანელის ეფექტურობა (%)

---

📘 შემავალი ფაილების სტრუქტურა

train.csv

შეიცავს features-ის ყველა სვეტს პლუს energy_output სვეტი, რომელიც წარმოადგენს სამიზნე მნიშვნელობას.

მაგალითი:

SampleID	solar_irradiance	temperature	humidity	wind_speed	cloud_cover	panel_angle	panel_efficiency	energy_output
1	750.5	25.2	40.0	3.5	10	30	18.5	42.3
2	610.0	22.1	55.0	2.0	50	25	17.0	28.7

test.csv

შეიცავს იგივე სვეტებს, რაც train.csv, მაგრამ energy_output-ის გარეშე, და მოიცავს SampleID-ს.

---

📤 წარდგენა

გამოსავალი ფაილი (submission.csv) უნდა შეიცავდეს ზუსტად ორ სვეტს:

• SampleID
• energy_output – მოდელის მიერ პროგნოზირებული მნიშვნელობა (float, 2 ათწილადით)

მაგალითი:

SampleID	energy_output
1	41.75
2	29.10
3	35.80

---

⚙️ შეფასება

მოდელების შეფასება მოხდება Root Mean Squared Error (RMSE)-ის გამოყენებით:

სადაც N არის ტესტ ნაკრების მაგალითების რაოდენობა, y_i არის რეალური მნიშვნელობა და y^_i არის მოდელის მიერ პროგნოზირებული მნიშვნელობა.

საბოლოო ქულა მასშტაბირდება 0-დან 100-მდე, ისე რომ მცირე RMSE გამოიწვევს მაღალ ქულას.

---

📊 წყარო

ამ ამოცანისთვის გამოყენებული მონაცემები სინთეზურად არის გენერირებული.