Durée: 12 mois
Rubrique: Ingénieur IA
Erreur absolue moyenne (MAE) est l'une des métriques les plus utilisées pour évaluer la performance des modèles de régression. Elle mesure la moyenne des erreurs absolues entre les prédictions et les valeurs réelles. L'erreur absolue est simplement la différence absolue entre la valeur prédite et la valeur réelle.
Le MAE est une mesure intuitive car elle donne une idée claire et facilement compréhensible de l'erreur moyenne des prédictions d'un modèle. Contrairement à l'Erreur Quadratique Moyenne (MSE), qui accorde un poids plus important aux grandes erreurs en les élevant au carré, le MAE traite toutes les erreurs de manière égale. Cela peut rendre le MAE plus robuste en présence de bruit ou d'outliers.
La formule mathématique du MAE est la suivante :
MAE = (1/n) ∑|yᵢ ŷᵢ|
où : n est le nombre de points de données. yᵢ représente les valeurs réelles. ŷᵢ représente les valeurs prédites par le modèle.
Le MAE est couramment utilisé dans des domaines tels que : Prévisions de séries temporelles : Par exemple, prédiction de la demande énergétique. Modèles économiques et financiers : Par exemple, estimation des prix immobiliers.
En conclusion, le MAE est une mesure de performance essentielle pour les modèles de régression. Sa simplicité et sa robustesse face aux outliers en font un outil indéniablement précieux. Cependant, comme pour toute métrique, il est souvent préférable de l'utiliser en conjonction avec d'autres mesures pour obtenir une évaluation complète et nuancée des modèles.