Apprendre Evaluating Recommendation Performance With Mean Squared Error Metrics | Personnalisation Approfondie par Factorisation Matricielle

Glissez pour afficher le menu

Erreur quadratique moyenne (MSE) : Définition, formule et interprétation

Définition

L’erreur quadratique moyenne, ou MSE, est une métrique fondamentale pour évaluer dans quelle mesure les notes prédites par un système de recommandation correspondent aux notes réelles des utilisateurs. Elle mesure la moyenne des carrés des écarts entre les valeurs prédites et les valeurs réelles.

La formule de la MSE est :

\text{MSE} = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2

où :

$y_i$ est la note réelle pour l’élément $i$ ;
$\hat{y}_i$ est la note prédite pour l’élément $i$ ;
$n$ est le nombre total de notes comparées.

Une valeur de MSE plus faible signifie que les prédictions sont plus proches des notes réelles, tandis qu’une MSE plus élevée indique des erreurs plus importantes entre ce que le système prédit et ce que les utilisateurs ont réellement noté.

Calcul de la MSE pour les notes prédites vs. réelles

Pour calculer la MSE, il faut suivre les étapes suivantes :

Soustraire chaque note prédite de la note réelle pour obtenir l’erreur de chaque prédiction ;
Élever chaque erreur au carré pour que toutes les valeurs soient positives et pour pénaliser davantage les erreurs importantes ;
Additionner toutes les erreurs au carré ;
Diviser le total par le nombre de prédictions pour obtenir la moyenne.

Importance de la MSE pour l’évaluation des modèles

La MSE est importante car elle fournit une valeur unique qui résume la précision prédictive d’un système de recommandation. Elle est particulièrement utile pour comparer différents modèles ou ajuster des paramètres, car une MSE plus faible reflète directement de meilleures performances dans la prédiction des préférences des utilisateurs. Cependant, comme les erreurs sont élevées au carré, la MSE est sensible aux grandes erreurs, ce qui est utile lorsque l’on souhaite pénaliser plus fortement les écarts importants.

Approfondir

RMSE (Root Mean Squared Error) est la racine carrée du MSE. Il exprime l'erreur dans les mêmes unités que les notes d'origine, ce qui facilite l'interprétation de l'écart entre les prédictions et les notes réelles des utilisateurs. Le RMSE est largement utilisé avec le MSE pour évaluer les systèmes de recommandation, car il offre une perception plus intuitive de la précision des prédictions.

Exemple : Calcul du MSE pour un ensemble de prédictions

Supposons que vous disposiez d'un ensemble de notes réelles d'utilisateurs et des notes prédites par votre système pour cinq films :

Notes réelles : [4, 3, 5, 2, 1]
Notes prédites : [5, 2, 4, 2, 1]

Vous calculez les différences, les élevez au carré, les additionnez, puis divisez par 5 (le nombre de notes) pour obtenir le MSE.


              12345678910111213
            
import numpy as np

# Actual and predicted ratings
actual_ratings = np.array([4, 3, 5, 2, 1])
predicted_ratings = np.array([5, 2, 4, 2, 1])

# Calculate squared differences
squared_errors = (actual_ratings - predicted_ratings) ** 2

# Compute mean squared error
mse = np.mean(squared_errors)

print('Mean Squared Error:', mse)

1. Quelle affirmation décrit le mieux ce qu'indique une erreur quadratique moyenne (MSE) plus faible concernant les prédictions d'un système de recommandation ?

2. Laquelle des métriques suivantes mesure directement la différence quadratique moyenne entre les notes prédites et réelles dans un système de recommandation ?

Tout était clair ?

Merci pour vos commentaires !

Section 4. Chapitre 4

Demandez à l'IA

Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion

Section 4. Chapitre 4