Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
MSE (Mean Squared Error)
Métrique calculant la moyenne des carrés des erreurs, pénalisant davantage les grandes erreurs par rapport aux petites erreurs dans l'évaluation du modèle.
RMSE (Root Mean Squared Error)
Racine carrée du MSE, fournissant une mesure d'erreur dans la même unité que la variable cible tout en conservant la pénalisation des grandes erreurs.
R² (Coefficient de détermination)
Indicateur statistique mesurant la proportion de la variance de la variable cible expliquée par le modèle, variant entre 0 et 1 (ou négatif pour les modèles très pauvres).
MAPE (Mean Absolute Percentage Error)
Métrique exprimant l'erreur moyenne en pourcentage des valeurs réelles, facilitant l'interprétation et la comparaison entre modèles ou datasets.
RMSLE (Root Mean Squared Logarithmic Error)
Variante du RMSE appliquée aux logarithmes des valeurs, particulièrement adaptée aux données avec une distribution exponentielle ou pour réduire l'impact des outliers.
MedAE (Median Absolute Error)
Médiane des erreurs absolues, offrant une mesure robuste aux valeurs aberrantes contrairement au MAE qui utilise la moyenne.
Explained Variance Score
Métrique évaluant la proportion de variance des données expliquée par le modèle, similaire au R² mais sans contrainte sur le biais des prédictions.
Mean Squared Log Error (MSLE)
Métrique calculant la moyenne des carrés des erreurs logarithmiques, idéale pour les prédictions où les erreurs relatives sont plus importantes que les erreurs absolues.
Quantile Loss
Fonction de perte asymétrique utilisée pour prédire des quantiles spécifiques de la distribution conditionnelle, pénalisant différemment les sous-estimations et sur-estimations.
Mean Absolute Scaled Error (MASE)
Métrique relative comparant l'erreur absolue moyenne du modèle à celle d'une méthode de référence naïve, indépendante de l'échelle des données.
SMAPE (Symmetric Mean Absolute Percentage Error)
Variante symétrique du MAPE évitant les problèmes de division par zéro et offrant une meilleure balance entre sur-estimation et sous-estimation.
Mean Bias Error (MBE)
Métrique mesurant le biais systématique du modèle en calculant la moyenne des erreurs non absolues, indiquant si le modèle tend à sur-estimer ou sous-estimer.
Relative Absolute Error (RAE)
Métrique normalisée comparant l'erreur absolue totale du modèle à celle d'un prédicteur naïf, exprimée comme un ratio sans unité.
Root Relative Squared Error (RRSE)
Racine carrée de l'erreur quadratique relative, normalisant le RMSE par rapport à l'erreur d'un modèle de référence simple.
Theil's U Coefficient
Métrique de prévision comparative mesurant la performance relative du modèle par rapport à une prévision naïve, avec U=0 indiquant une prédiction parfaite.
Nash-Sutcliffe Efficiency (NSE)
Coefficient d'efficacité variant de -∞ à 1, mesurant la capacité du modèle à prédire les valeurs observées par rapport à la moyenne des observations.
Mean Directional Accuracy (MDA)
Métrique évaluant la capacité du modèle à prédire correctement la direction des changements entre observations successives, cruciale pour les applications financières.
Adjusted R²
Version modifiée du R² ajustant le score en fonction du nombre de prédicteurs dans le modèle, évitant la surévaluation artificielle lors de l'ajout de variables.