Métriques de régression : MAE, MSE, R2
Mesurer l’erreur des prédictions numériques
Métriques de régression : MAE, MSE, R2 est une leçon Data Science Academy gratuite sur CoddyKit. Ceci est la leçon 1 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Data Science Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Data Science Academy comprend 4 leçons au total.
Pourquoi mesurer l’erreur
Lorsqu’un modèle prédit des nombres, vous avez besoin d’un score honnête indiquant l’ampleur de son erreur. Ce score est une métrique d’erreur, votre arbitre impartial. 📏
L’idée des résidus
Commençons par le résidu : l’écart entre la valeur réelle et la valeur prédite. Chaque métrique de régression est simplement une façon de résumer ces écarts.
residual = y_true - y_predErreur absolue moyenne
MAE prend la grandeur de chaque erreur, ignore son signe, puis en fait la moyenne. Elle indique l’erreur typique dans les mêmes unités que votre variable cible.
from sklearn.metrics import mean_absolute_error
mean_absolute_error(y_true, y_pred)La MAE est facile à expliquer
Comme la MAE reste exprimée dans les unités réelles, vous pouvez dire que le modèle se trompe d’environ 5 dollars en moyenne. Les parties prenantes apprécient cette interprétation simple.
Erreur quadratique moyenne
MSE élève chaque erreur au carré avant d’en faire la moyenne. Cette opération pénalise beaucoup plus fortement les grandes erreurs : quelques erreurs importantes dominent donc le score.
from sklearn.metrics import mean_squared_error
mean_squared_error(y_true, y_pred)Le carré change les unités
Attention toutefois : MSE s’exprime dans des unités au carré, si bien que des dollars deviennent des dollars carrés. Le nombre est difficile à interpréter seul.
Racine de l’erreur quadratique moyenne
Prenez la racine carrée de MSE pour obtenir RMSE, à nouveau exprimée dans les unités normales. Elle conserve la forte pénalisation des grandes erreurs tout en restant facile à lire.
rmse = mean_squared_error(y_true, y_pred) ** 0.5MAE contre RMSE
Choisissez MAE lorsque toutes les erreurs comptent autant, et RMSE lorsque les grandes erreurs sont particulièrement coûteuses et que vous voulez les pénaliser davantage.
Le score R au carré
R2 pose une question différente : quelle part de la variation de la cible votre modèle explique-t-il ? Plus le score est élevé, meilleur est l’ajustement.
from sklearn.metrics import r2_score
r2_score(y_true, y_pred)Lire le R au carré
Un R2 de 1,0 est parfait ; 0,0 ne vaut pas mieux que de toujours deviner la moyenne. Il peut même devenir négatif lorsqu’un modèle s’ajuste moins bien que cela.
Les utiliser ensemble
Aucun nombre ne raconte toute l’histoire. Associez une métrique d’erreur comme RMSE à R2 pour observer à la fois l’erreur typique et la qualité globale de l’ajustement.
Vérification rapide
Précisons ce que mesure réellement chaque métrique de régression.
Récapitulatif
Utilisez MAE pour l’erreur moyenne simple, RMSE pour pénaliser les grandes erreurs, et R2 pour la part de variance expliquée. Interprétez-les ensemble. 🎯
Apprends Python avec un tuteur IA — gratuit
Écris et exécute du vrai code dans ton navigateur, obtiens de l'aide instantanée d'un tuteur IA disponible 24h/24, et reprends là où tu t'es arrêté sur le web ou dans l'app.
- Cours
- 30
- Leçons
- 120
Questions Fréquemment Posées
La leçon « Métriques de régression : MAE, MSE, R2 » est-elle gratuite ?
Oui — le texte complet de « Métriques de régression : MAE, MSE, R2 » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Data Science Academy, passe à CoddyKit PRO. Le cours Data Science Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Métriques de régression : MAE, MSE, R2 » ?
Mesurer l’erreur des prédictions numériques Tu pratiques Data Science Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Data Science Academy ?
Aucune expérience préalable n'est requise. Data Science Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 1 sur 4.
Combien de temps prend la leçon « Métriques de régression : MAE, MSE, R2 » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Data Science Academy ?
Oui. Chaque leçon Data Science Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Métriques de régression : MAE, MSE, R2
- La matrice de confusion décodée
- Précision, rappel et F1
- ROC, AUC et seuils