This code focuses on the classification of potential adoption profiles for the "Libro del Edificio Electrónico" (LdE-e). The project utilizes a Dense Neural Network (DNN) architecture optimized through Optuna for hyperparameter tuning. To address data imbalance, custom class weighting and probability threshold optimization were implemented. The study incorporates Explainable AI (XAI) techniques, including Permutation Feature Importance (PFI), Partial Dependence Plots (PDP), and SHAP (SHapley Additive exPlanations) to characterize the influence of psychological and socio-economic factors on LdE-e adoption. Additionally, the model is benchmarked against an optimized XGBoost classifier and subjected to stratified analysis by climate zones and energy expenditure levels.

Este código se centra en la clasificación de los perfiles de adopción potenciales para el «Libro del Edificio Electrónico» (LdE-e). El proyecto utiliza una arquitectura de red neuronal densa (DNN) optimizada mediante Optuna para el ajuste de hiperparámetros. Para hacer frente al desequilibrio de datos, se implementaron una ponderación de clases personalizada y una optimización del umbral de probabilidad. El estudio incorpora técnicas de IA explicable (XAI), entre las que se incluyen la importancia de las características por permutación (PFI), los gráficos de dependencia parcial (PDP) y SHAP (explicaciones aditivas de Shapley), para caracterizar la influencia de factores psicológicos y socioeconómicos en la adopción del LdE-e. Además, el modelo se compara con un clasificador XGBoost optimizado y se somete a un análisis estratificado por zonas climáticas y niveles de gasto energético.

Aquest codi es centra en la classificació dels perfils d'adopció potencials per al «Llibre de l'Edifici Electrònic» (LdE-e). El projecte utilitza una arquitectura de xarxa neuronal densa (DNN) optimitzada mitjançant Optuna per a l'ajust de hiperparàmetres. Per a fer front al desequilibri de dades, es van implementar una ponderació de classes personalitzada i una optimització del llindar de probabilitat. L'estudi incorpora tècniques d'IA explicable (XAI), entre les quals s'inclouen la importància de les característiques per permutació (PFI), els gràfics de dependència parcial (PDP) i SHAP (explicacions additives de Shapley), per a caracteritzar la influència de factors psicològics i socioeconòmics en l'adopció del LdE-e. A més, el model es compara amb un classificador XGBoost optimitzat i se sotmet a una anàlisi estratificada per zones climàtiques i nivells de despesa energètica.

Python, 3.x