Barbara
UNE PRÉSENTATION DÉTAILLÉE DES MÉTRIQUES D’ÉVALUATION EN RÉGRESSIONS
En tant que scientifique des données, l’évaluation des performances des modèles d’apprentissage automatique est un aspect crucial de votre travail. Pour ce faire de manière efficace, vous disposez d’une large gamme de mesures statistiques, chacune ayant ses propres forces et faiblesses. En développant une compréhension solide de ces métriques, vous êtes mieux équipé pour choisir la meilleure métrique pour optimiser votre modèle et pour expliquer votre choix et ses implications aux parties prenantes de l’entreprise.
Dans cet article, nous nous concentrons sur les métriques utilisées pour évaluer les problèmes de régression qui prédisent des valeurs numériques, telles que le prix d’une maison ou les ventes futures d’une entreprise. Comme l’analyse de régression est considérée comme la base de la science des données, il est essentiel de comprendre ses nuances.
LES RÉSIDUS : LE BLOC DE CONSTRUCTION DE LA PLUPART DES MÉTRIQUES
Les résidus sont les blocs de construction de la plupart des métriques. En termes simples, un résidu est une différence entre la valeur réelle et la valeur prédite. Ainsi, les résidus peuvent être calculés pour chaque observation dans l’ensemble de données, qu’il s’agisse de l’ensemble d’entraînement ou de l’ensemble de test.
Bias : le biais ou mesure d’erreur la plus simple est la somme des résidus qui nous indique si nos prévisions étaient plus élevées ou plus basses que les valeurs réelles.
L’indicateur R² correspond au degré auquel la variance dans la variable dépendante (la cible) peut être expliquée par les variables indépendantes (les fonctionnalités)
MSE : L’erreur quadratique moyenne (MSE) est l’une des mesures d’évaluation les plus populaires.
RMSE : l’erreur quadratique moyenne (RMSE) est une version normalisée de la MSE.
En examinant ces métriques et leurs applications pratiques, nous pouvons mieux comprendre comment évaluer les performances des modèles de régression.
