L’erreur absolue moyenne (Mean Absolute Error, MAE) indique de combien les prédictions d’un modèle s’écartent en moyenne des valeurs réelles, quel que soit le sens de l’écart. Elle s’exprime dans l’unité de la grandeur prédite et reste donc facile à comprendre. Exemple : une MAE de 12 pour une prévision des ventes journalières signifie que le modèle se trompe en moyenne de 12 unités. Elle pondère moins les valeurs aberrantes que l’erreur quadratique.
Agents, flux et modèles dans un seul espace de travail – démo gratuite de 24 heures.
Lancer la démoLa régression linéaire est une méthode statistique qui décrit la relation entre une variable cible et une ou plusieurs variables explicatives au moyen d'une droite ou d'un plan. Les coefficients sont généralement choisis de façon à minimiser la somme des carrés des écarts. La méthode est simple à comprendre et à interpréter : elle permet par exemple d'estimer de combien le chiffre d'affaires augmente si le budget publicitaire croît de 1 000 euros. Elle atteint ses limites face à des relations non linéaires.
L’erreur de généralisation mesure à quel point un modèle d’IA se trompe sur des données nouvelles, jamais vues, par opposition à son erreur sur les données d’entraînement. Un écart important entre les deux signale un surapprentissage : le modèle a mémorisé des exemples au lieu d’apprendre des régularités générales. On l’estime avec des données de test mises de côté ou par validation croisée. C’est la grandeur décisive, car en production le modèle ne rencontre presque que des cas nouveaux.
La validation croisée est une méthode pour vérifier dans quelle mesure un modèle se généralise à des données nouvelles. Dans la validation croisée à k plis, les données sont divisées en k parties ; le modèle est entraîné k fois sur k−1 parties et testé à chaque fois sur la partie restante, puis on fait la moyenne des résultats. Cela permet de détecter le surapprentissage et de comparer équitablement des modèles ou réglages, surtout avec peu de données.
La modélisation prédictive est le cœur technique de l'analyse prédictive : à partir d'exemples dont le résultat est connu, on construit un modèle qui prédit une valeur ou une classe pour de nouveaux cas. Les méthodes courantes sont la régression, les arbres de décision, les forêts aléatoires ou les réseaux de neurones. Un modèle peut ainsi estimer le prix d'un bien d'après sa surface, son emplacement et son année de construction. Avant déploiement, il est testé sur des données mises de côté pour détecter le surapprentissage.
