Discussion de l'article "Évaluation des modèles ONNX à l'aide de mesures de régression"

 

Un nouvel article Évaluation des modèles ONNX à l'aide de mesures de régression a été publié :

La régression consiste à prédire une valeur réelle à partir d'un exemple non étiqueté. Les mesures dites de régression sont utilisées pour évaluer la précision des prédictions des modèles de régression.

La régression consiste à prédire une valeur réelle à partir d'un exemple non étiqueté. Un exemple bien connu de régression est l'estimation de la valeur d'un diamant sur la base de caractéristiques telles que la taille, le poids, la couleur, la pureté, etc.

Les mesures dites de régression sont utilisées pour évaluer la précision des prédictions des modèles de régression. Malgré des algorithmes similaires, les mesures de régression sont sémantiquement différentes des fonctions de perte similaires. Il est important de comprendre la différence entre les deux. Elle peut être formulée comme suit :

  • La fonction de perte apparaît au moment où nous réduisons le problème de la construction d'un modèle à un problème d'optimisation. Il est généralement exigé qu'elle possède de bonnes propriétés (par exemple, la différentiabilité).

  • Une métrique est un critère de qualité objectif externe, qui ne dépend généralement pas des paramètres du modèle, mais uniquement des valeurs prédites.



Le langage MQL5 propose les métriques suivantes :

  • Erreur Absolue Moyenne, MAE
  • Erreur Quadratique Moyenne, MSE
  • Racine de l’Erreur Quadratique Moyenne, RMSE
  • R au Carré, R2
  • Erreur Moyenne Absolue en Pourcentage, MAPE
  • Erreur Quadratique Moyenne en Pourcentage, MSPE
  • Erreur Logarithmique Quadratique Moyenne, RMSLE

Auteur : MetaQuotes