L’erreur quadratique moyenne (MSE) est la mesure la plus répandue pour évaluer dans quelle mesure les prédictions d’un modèle de régression ou de prévision correspondent à la réalité. Cette calculatrice présente MSE ainsi que ses deux mesures les plus proches — RMSE et MAE — pour vous aider à comprendre non seulement le résultat, mais aussi ce qu’il signifie pour votre modèle.

Fonctionnement de MSE, RMSE et MAE

MSE = Σ(réel − prédit)² / n élève chaque résidu au carré avant d’en calculer la moyenne. Une seule grande erreur peut donc dominer le résultat : un résidu deux fois plus grand contribue quatre fois plus à l’erreur quadratique. RMSE = √MSE annule ensuite cet effet de la mise au carré et ramène la mesure aux unités des données d’origine, ce qui permet de la comparer directement aux valeurs prédites. MAE = Σ|réel − prédit| / n n’élève rien au carré et calcule la moyenne de l’ampleur absolue des erreurs : une erreur de 10 y compte exactement deux fois plus qu’une erreur de 5, ni plus ni moins.

Les champs et leur signification

Saisissez deux listes correspondantes, séparées par des virgules, des espaces ou des retours à la ligne : les valeurs Réelles (les résultats réellement observés) et les valeurs Prédites (les résultats d’un modèle ou d’une prévision). L’ordre compte : la première valeur réelle est associée à la première valeur prédite, et ainsi de suite. Les deux listes doivent contenir le même nombre d’éléments ; en cas de différence, la calculatrice vous le signale au lieu de deviner quelles valeurs associer.

Limites et cas particuliers

MSE et RMSE sont sensibles aux valeurs aberrantes : un seul résidu très important peut augmenter les deux mesures, même si toutes les autres prédictions sont exactes. C’est parfois souhaitable — lorsque les grosses erreurs coûtent particulièrement cher — et parfois trompeur, si une seule donnée erronée fausse l’ensemble du score. MAE résiste mieux aux valeurs aberrantes, mais traite les erreurs proportionnellement à leur ampleur et peut donc minimiser l’importance d’une erreur rare et grave. Aucune de ces trois mesures ne permet à elle seule de déterminer si un modèle est statistiquement significatif ou généralisera à de nouvelles données. Complétez-les par des tests sur des données hors échantillon, un coefficient de détermination (R²) ou une validation croisée.