Erreur quadratique moyenne (RMSE)
L'erreur quadratique moyenne (RMSE) est une métrique largement utilisée qui mesure l'ampleur moyenne des erreurs de prédiction dans les modèles de régression. Issue des travaux de Carl Friedrich Gauss sur l'estimation par les moindres carrés (1809), la RMSE quantifie l'écart entre les prédictions et les valeurs observées en calculant la moyenne des différences au carré, puis en prenant la racine carrée.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Carte des méthodes
Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.
Sources
- Gauss, C. F. (1809). Theoria Motus Corporum Coelestium in Sectionibus Conicis Solem Ambientium. Hamburg: Perthes and Besser. link ↗
- Legendre, A. M. (1805). Nouvelles méthodes pour la détermination des orbites des comètes. Paris: F. Didot. link ↗
- Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). New York: Springer. DOI: 10.1007/978-0-387-84858-7 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Root Mean Squared Error. ScholarGate. https://scholargate.app/fr/model-evaluation/root-mean-squared-error
Quelle méthode ?
Placez cette méthode aux côtés de ses plus proches parentes et lisez-les côte à côte — la bibliothèque pose les ouvrages sur la table ; le choix vous revient.
- Erreur Absolue Moyenne (EAM)Évaluation de modèles↔ comparer
- Erreur Absolue Moyenne en Pourcentage (MAPE)Évaluation de modèles↔ comparer
- Erreur quadratique moyenne (EQM)Évaluation de modèles↔ comparer
- Coefficient de détermination (R²)Évaluation de modèles↔ comparer
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →