𝐑² 𝐯𝐬 𝐑𝐌𝐒𝐄 : Comprendre deux indicateurs clés

Lorsqu’on évalue un modèle de régression, deux métriques reviennent souvent : 𝐑-𝐒𝐪𝐮𝐚𝐫𝐞𝐝 (𝐑²) et 𝐑𝐌𝐒𝐄.

U𝙣 𝙡𝙞𝙠𝙚 𝙚𝙩 𝙪𝙣 𝙋𝙖𝙧𝙩𝙖𝙜𝙚 de ce post avant d'aller plus loin nous feront Plaisir.

🔹 𝐑-𝐒𝐪𝐮𝐚𝐫𝐞𝐝 (𝐑²)
➡ Mesure la proportion de variance expliquée par le modèle.
➡ Plage : 0 à 1.
➡ Valeur idéale : plus proche de 1.

🔹 𝐑𝐌𝐒𝐄 (Root Mean Squared Error)
➡ Mesure l’erreur moyenne de prédiction.
➡ Plage : de 0 à ∞.
➡ Valeur idéale : plus proche de 0.

👉 En résumé :

·         𝐑² indique la qualité de l’ajustement.

·         𝐑𝐌𝐒𝐄 indique la précision des prédictions.
Ces deux métriques sont complémentaires pour juger la performance d’un modèle.

________________________________________

________________________________________

Si vous avez trouvé cette publication utile, n'hésitez pas à 𝒍𝒂 𝒍𝒊𝒌𝒆𝒓 𝒆𝒕 à 𝒍𝒂 𝒑𝒂𝒓𝒕𝒂𝒈𝒆𝒓 avec vos amis et collègues !

Pour mieux apprendre l’utilisation des logiciel et modèles statistiques, nous vous invitons à prendre part à la prochaine session de notre formation en 𝙀𝙘𝙤𝙣𝙤𝙢é𝙩𝙧𝙞𝙚 𝙚𝙩 𝙏𝙚𝙘𝙝𝙣𝙞𝙦𝙪𝙚𝙨 𝙌𝙪𝙖𝙣𝙩𝙞𝙩𝙖𝙩𝙞𝙫𝙚𝙨 

________________________________________

#️⃣ #Statistiques #DataScience #MachineLearning #R2 #RMSE