Bonne réponse
- BRoot Mean Squared Error (RMSE)
Explication
La racine de l'erreur quadratique moyenne (RMSE) est la métrique correcte car elle met au carré les résidus avant de faire la moyenne, ce qui amplifie de manière disproportionnée l'impact des grandes erreurs (valeurs aberrantes) par rapport aux petites erreurs. Cela correspond directement à l'exigence métier de pénaliser fortement les grandes erreurs de prédiction dans le modèle de régression pour la consommation quotidienne d'électricité.
Pour aller plus loin
Les métriques d'évaluation de régression diffèrent principalement dans la manière dont elles pondèrent les magnitudes des résidus. Le MAE (L1) est robuste aux valeurs aberrantes car toutes les erreurs sont pondérées de manière égale, tandis que le RMSE/MSE (L2) amplifie les grandes erreurs de manière quadratique, ce qui en fait un choix par défaut courant lorsque les écarts significatifs sont excessivement coûteux. Un point subtil et souvent négligé est que l'optimisation pour le RMSE suppose que les erreurs cibles sont approximativement normales avec une variance constante ; si les données réelles contiennent des queues épaisses ou des valeurs aberrantes bruyantes, le modèle peut se distordre pour s'y adapter. En pratique, le choix de la métrique doit suivre la structure des coûts de l'entreprise : par exemple, une erreur de prédiction d'une heure sur le délai de livraison peut être légèrement ennuyeuse, mais une erreur de dix heures n'est pas seulement dix fois pire, elle peut être inacceptable sur le plan opérationnel, donc le RMSE capture cette urgence. Inversement, si quelques lectures anormales sont attendues et ne doivent pas dicter le comportement du modèle, le MAE ou une perte winsorisée est préférable. Le R-carré est souvent mal interprété comme une métrique d'erreur, mais il s'agit d'une comparaison normalisée à une moyenne de référence et il peut être manipulé par la dispersion des données ; le MAPE échoue lorsque les valeurs réelles s'approchent de zéro et donne un poids asymétrique aux sous-prévisions car le dénominateur est la valeur réelle. Pour l'examen AI-900, retenez que le RMSE est la métrique explicitement liée au fait de « pénaliser plus fortement les plus grandes erreurs ».
À propos de ces questions d'entraînement
Cette question fait partie des questions d'entraînement AI-900 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.
Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.