Évaluation des modèles
Une fois un modèle de série temporelle entraîné, il est essentiel d’évaluer sa performance pour déterminer sa qualité de prédiction et éviter le surapprentissage. L’évaluation repose généralement sur deux axes : la précision des prédictions et la complexité du modèle. Trois indicateurs couramment utilisés dans ce contexte sont : RMSE, AIC et BIC.
Erreur quadratique moyenne (RMSE)
L’Erreur Quadratique Moyenne (RMSE, pour Root Mean Squared Error) est une mesure de la différence entre les valeurs prédites par un modèle et les valeurs réelles observées. Elle est fréquemment utilisée pour évaluer la performance des modèles de régression, notamment en prévision de séries temporelles ou dans des problèmes de machine learning.
Critères d’information AIC et BIC
Les critères d’information AIC (Akaike Information Criterion) et BIC (Bayesian Information Criterion) sont des mesures statistiques utilisées pour comparer la qualité de différents modèles statistiques tout en pénalisant la complexité du modèle. Ces critères aident à éviter le surapprentissage (overfitting) tout en cherchant à obtenir une bonne précision de prédiction.