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 \((0{,}5 + 0{,}5 + 0 + 1) / 4 = 0{,}5\).
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.
