Qu'est-ce que l'erreur quadratique moyenne (RMSE) ?
L'erreur quadratique moyenne, plus connue sous son sigle anglais RMSE (Erreur quadratique moyenne), figure parmi les indicateurs les plus utilisés pour mesurer l'écart entre les prédictions d'un modèle et les valeurs observées (réelles). Elle traduit l'ampleur typique de l'erreur de prédiction dans la même unité que les données, ce qui la rend très facile à interpréter. Plus la RMSE est faible, meilleur est l'ajustement du modèle ; une RMSE nulle signifie des prédictions parfaites.
Comment utiliser ce calculateur
Saisissez vos valeurs réelles et vos valeurs prédites sous forme de deux listes, séparées par des virgules ou des espaces. Les deux listes doivent comporter le même nombre d'éléments ; en cas de différence, le calculateur ne retient que les n premières paires correspondantes. Cliquez sur Calculer pour afficher la RMSE, accompagnée de l'erreur quadratique moyenne (MSE) et de l'erreur absolue moyenne (MAE) pour disposer d'un contexte complet.
La formule expliquée
La RMSE se calcule en quatre étapes : (1) soustraire chaque valeur prédite de la valeur réelle correspondante pour obtenir l'erreur, (2) élever chaque erreur au carré afin que les valeurs positives et négatives ne s'annulent pas, (3) faire la moyenne de ces erreurs au carré pour obtenir le MSE, puis (4) prendre la racine carrée afin de revenir à l'unité d'origine. La mise au carré accorde un poids plus important aux grandes erreurs : la RMSE est donc plus sensible aux valeurs aberrantes que le MAE.
$$\text{RMSE} = \sqrt{\frac{1}{n} \sum_{i=1}^{n} \left( \text{Actual}_i - \text{Predicted}_i \right)^2}$$
Exemple détaillé
Imaginons réelles = [3, -0,5, 2, 7] et prédites = [2,5, 0,0, 2, 8]. Les erreurs valent 0,5, -0,5, 0, -1. Au carré : 0,25, 0,25, 0, 1, dont la somme est 1,5. En divisant par \(n = 4\), on obtient \(\text{MSE} = 0{,}375\). La racine carrée donne \(\text{RMSE} \approx 0{,}6124\). Le MAE vaut \((0{,}5 + 0{,}5 + 0 + 1) / 4 = 0{,}5\).
Autres exemples détaillés
Les deux exemples utilisent des prévisions de température en °C sur cinq jours. Chaque erreur est \(e_i = \text{Réel}_i - \text{Prévu}_i\). Les erreurs quadratiques donnent l'EQM et la RMSE, et les erreurs absolues donnent l'EAM. Les deux jeux de données sont identiques sauf pour le jour 5, ce qui permet de voir l'effet d'une grosse erreur sur chaque indicateur.
Exemple 1 : une prévision raisonnablement précise
Températures réelles : 20, 22, 25, 24, 21. Températures prévues : 21, 20, 25, 27, 22.
| Jour | Réel (°C) | Prévu (°C) | Erreur \(e_i\) | Erreur quadratique \(e_i^2\) | Erreur absolue \(|e_i|\) |
|---|---|---|---|---|---|
| 1 | 20 | 21 | −1 | 1 | 1 |
| 2 | 22 | 20 | 2 | 4 | 2 |
| 3 | 25 | 25 | 0 | 0 | 0 |
| 4 | 24 | 27 | −3 | 9 | 3 |
| 5 | 21 | 22 | −1 | 1 | 1 |
| Somme | 15 | 7 | |||
- Somme des erreurs quadratiques : \(1 + 4 + 0 + 9 + 1 = 15\)
- EQM : $$\text{EQM} = \frac{15}{5} = 3$$
- RMSE : $$\text{RMSE} = \sqrt{3} \approx 1.7321$$
- EAM : $$\text{EAM} = \frac{1 + 2 + 0 + 3 + 1}{5} = \frac{7}{5} = 1.4$$
Résultat : RMSE ≈ 1.7321 °C et EAM = 1.4 °C. Les deux valeurs sont proches (RMSE/EAM ≈ 1.24) parce que toutes les erreurs ont à peu près la même taille.
Exemple 2 : la même prévision avec une grosse erreur
Tout reste identique sauf le jour 5, où la prévision était de 31 °C au lieu de 22 °C. La température réelle était toujours de 21 °C.
| Jour | Réel (°C) | Prévu (°C) | Erreur \(e_i\) | Erreur quadratique \(e_i^2\) | Erreur absolue \(|e_i|\) |
|---|---|---|---|---|---|
| 1 | 20 | 21 | −1 | 1 | 1 |
| 2 | 22 | 20 | 2 | 4 | 2 |
| 3 | 25 | 25 | 0 | 0 | 0 |
| 4 | 24 | 27 | −3 | 9 | 3 |
| 5 | 21 | 31 | −10 | 100 | 10 |
| Somme | 114 | 16 | |||
- Somme des erreurs quadratiques : \(1 + 4 + 0 + 9 + 100 = 114\)
- EQM : $$\text{EQM} = \frac{114}{5} = 22.8$$
- RMSE : $$\text{RMSE} = \sqrt{22.8} \approx 4.7749$$
- EAM : $$\text{EAM} = \frac{1 + 2 + 0 + 3 + 10}{5} = \frac{16}{5} = 3.2$$
Résultat : RMSE ≈ 4.7749 °C et EAM = 3.2 °C.
Comparaison des deux exemples
| Indicateur | Exemple 1 | Exemple 2 | Augmentation |
|---|---|---|---|
| EQM (°C²) | 3 | 22.8 | ×7.6 |
| RMSE (°C) | 1.7321 | 4.7749 | +3.0428 (×2.76) |
| EAM (°C) | 1.4 | 3.2 | +1.8 (×2.29) |
| RMSE ÷ EAM | 1.24 | 1.49 | — |
Une seule prévision erronée de 10 °C représentait 100 des 114 unités d'erreur quadratique totale, soit environ 88 %. L'EAM compte cette erreur pour 10 unités sur un total de 16. Comme la RMSE élève chaque erreur au carré avant de faire la moyenne, elle a beaucoup plus augmenté que l'EAM. Lorsque la RMSE est nettement supérieure à l'EAM, ce sont généralement quelques grosses erreurs qui tirent le score vers le haut. Examinez ces points individuellement avant de conclure que le modèle entier est mauvais.
Unités : la RMSE et l'EAM sont exprimées en °C, la même unité que les données. L'EQM est exprimée en °C², ce qui explique pourquoi la RMSE est souvent plus facile à interpréter.
FAQ
Qu'est-ce qu'une bonne valeur de RMSE ? Tout dépend de l'échelle de vos données. Comparez la RMSE à l'étendue ou à la moyenne de votre variable cible, ou encore à un modèle de référence.
En quoi la RMSE diffère-t-elle du MAE ? La RMSE élève les erreurs au carré avant d'en faire la moyenne, ce qui pénalise davantage les écarts importants, tandis que le MAE traite toutes les erreurs de façon proportionnelle.
La RMSE peut-elle être négative ? Non. Étant la racine carrée d'une moyenne de carrés, la RMSE est toujours nulle ou positive.