Quelles métriques sont utilisées pour la régression?

Pour évaluer la qualité des modèles de régression, on utilise généralement les métriques suivantes :

• MSE (Erreur Quadratique Moyenne) — erreur quadratique moyenne, indique la moyenne des carrés des différences entre les valeurs prédites et réelles. Sensible aux grandes erreurs.

• RMSE (Racine de l'Erreur Quadratique Moyenne) — racine de MSE, renvoie l'erreur dans les mêmes unités que la variable cible.

• MAE (Erreur Absolue Moyenne) — erreur absolue moyenne, mesure la déviation absolue moyenne des prédictions par rapport aux valeurs réelles.

• R² (coefficient de détermination) — indique la proportion de la variance de la variable dépendante expliquée par le modèle. Valeur de 0 à 1, où 1 est une prédiction parfaite.

• R² ajusté — modification de R² prenant en compte le nombre de variables dans le modèle.

Exemple de calcul de MAE et MSE en Python avec sklearn :

from sklearn.metrics import mean_absolute_error, mean_squared_error

y_true = [3.0, -0.5, 2.0, 7.0]
y_pred = [2.5, 0.0, 2.0, 8.0]

mae = mean_absolute_error(y_true, y_pred)
mse = mean_squared_error(y_true, y_pred)
print(f"MAE: {mae}")
print(f"MSE: {mse}")