Qu'est-ce que l'erreur quadratique moyenne ?
L'erreur quadratique moyenne (MSE, pour Erreur quadratique moyenne (MSE)) est l'une des métriques les plus utilisées pour mesurer à quel point un ensemble de prédictions se rapproche des valeurs réellement observées. Elle correspond à la moyenne des écarts au carré entre chaque valeur prédite (ŷ) et la valeur réelle (y) qui lui correspond. Comme les écarts sont élevés au carré, les grosses erreurs pèsent bien plus lourd que les petites, et le résultat reste toujours positif ou nul : un modèle parfait obtient exactement 0.
Comment utiliser ce calculateur
Saisissez vos valeurs réelles et vos valeurs prédites sous forme de deux listes séparées par des virgules. Les deux listes doivent avoir la même longueur, chaque valeur prédite étant alignée avec la valeur réelle qui occupe la même position. Le calculateur les associe dans l'ordre, calcule l'écart au carré pour chaque paire, puis renvoie le MSE accompagné du RMSE (racine de l'erreur quadratique moyenne) et du SSE (somme des écarts au carré). Si les deux listes n'ont pas la même longueur, seules les paires qui se chevauchent sont prises en compte.
La formule expliquée
La formule du MSE s'écrit $$\text{MSE} = \frac{1}{n}\sum_{i=1}^{n}\left(y_i - \hat{y}_i\right)^2$$. Pour chaque point de données, vous soustrayez la prédiction de la valeur réelle, vous élevez cet écart au carré, vous additionnez tous les écarts au carré (vous obtenez ainsi le SSE), puis vous divisez par le nombre de points \(n\). En prenant la racine carrée du MSE, vous obtenez le RMSE, particulièrement pratique car il s'exprime dans la même unité que vos données d'origine.
Exemple concret
Imaginons que les valeurs réelles soient 3, −0,5, 2, 7 et les prédictions 2,5, 0,0, 2, 8. Les écarts valent alors 0,5, −0,5, 0, −1. Élevés au carré, ils donnent 0,25, 0,25, 0, 1, dont la somme est 1,5 (le SSE). En divisant par \(n = 4\), on obtient un MSE de 0,375, et le RMSE vaut \(\sqrt{0{,}375} \approx 0{,}6124\).
Questions fréquentes
Qu'est-ce qu'une bonne valeur de MSE ? Il n'existe pas de seuil universel : le MSE dépend de l'échelle de vos données. Plus il est faible, mieux c'est, et une valeur de 0 traduit un ajustement parfait. Le mieux est de le comparer à d'autres modèles ou à la variance de la variable cible.
Quelle différence entre le MSE et le RMSE ? Le RMSE n'est rien d'autre que la racine carrée du MSE. On le privilégie souvent pour la communication des résultats, car il s'exprime dans la même unité que les données et se prête à une interprétation plus intuitive.
Pourquoi élever les écarts au carré plutôt que d'utiliser les valeurs absolues ? Élever au carré rend la fonction lisse et dérivable (un atout pour l'optimisation) et pénalise davantage les grandes erreurs. L'alternative, l'erreur absolue moyenne (MAE), traite quant à elle toutes les erreurs de façon linéaire.
