Quelles métriques sont utilisées pour évaluer la qualité du modèle de prévision des campagnes publicitaires?

Pour évaluer la qualité du modèle de prédiction des notes des campagnes publicitaires, on utilise souvent les métriques suivantes :

• RMSE (Erreur Quadratique Moyenne Racine) — la racine de la moyenne des erreurs quadratiques, indique la déviation moyenne des prédictions par rapport aux valeurs réelles, sensible aux erreurs importantes.
• MAE (Erreur Absolue Moyenne) — erreur absolue moyenne, reflète la déviation absolue moyenne sans amplifier l'influence des valeurs aberrantes.
• R² (Coefficient de Détermination) — montre la proportion de la variance de la variable cible expliquée par le modèle.
• MAPE (Erreur Percentage Absolue Moyenne) — erreur percentage absolue moyenne, pratique pour l'interprétation en pourcentage.

Le choix de la métrique dépend de la tâche et des exigences en matière d'erreur. Par exemple, si les erreurs importantes sont prioritaires, RMSE est préférable ; si l'interprétabilité est importante, MAE ou MAPE.