Tableau récapitulatif du modèle pour Régression Random Forests^®

Le R² est le pourcentage de variation dans la réponse que le modèle explique.

Interprétation

Utilisez le R² pour déterminer la qualité d'ajustement offert par le modèle. Plus la valeur de R² est élevée, plus l'ajustement offert par le modèle est bon. Le R² se situe toujours entre 0 % et 100 %.

Vous pouvez illustrer graphiquement la signification des différentes valeurs de R². Le premier diagramme illustre un modèle de régression simple qui explique 85,5 % de la variation de la réponse. Le deuxième diagramme illustre un modèle qui explique 22,6 % de la variation de la réponse. Plus la variation expliquée par le modèle est grande, plus les points de données se rapprochent des valeurs ajustées. Théoriquement, si un modèle peut expliquer 100 % de la variation, les valeurs ajustées sont toujours égales aux valeurs observées et tous les points de données se situent sur la ligne y =x.

Remarque

Étant donné que Random Forests® utilise des données out-of-bag pour calculer R², mais pas pour s’adapter au modèle, le surajustement du modèle n’est pas un problème.

La racine de l'erreur quadratique moyenne (RMSE) mesure l'exactitude du modèle. Les valeurs aberrantes ont un plus grand effet sur la RMSE que sur le MAD et le MAPE.

L'erreur quadratique moyenne (MSE) mesure l'exactitude du modèle. Les valeurs aberrantes ont un plus grand effet sur la MSE que sur le MAD et le MAPE.

L'écart absolu moyen (MAD) exprime l'exactitude dans les mêmes unités que les données, ce qui permet de conceptualiser la quantité d'erreurs. Les valeurs aberrantes ont moins d'effet sur le MAD que sur le R², la RMSE et la MSE.

Le pourcentage d'erreur absolue moyen (MAPE) exprime la taille de l'erreur par rapport à la taille de la valeur de réponse. Ainsi, l'erreur de même taille aura une valeur MAPE plus grande pour une valeur inférieure de la variable de réponse que pour une valeur plus grande. Étant donné que le MAPE est un pourcentage, il peut être plus facile à comprendre que les autres statistiques de mesure de l'exactitude. Par exemple, si le MAPE est de 0,05 en moyenne, le rapport moyen entre l'erreur ajustée et la valeur réelle est de 5 % dans tous les cas. Les valeurs aberrantes ont moins d'effet sur le MAPE que sur le R², la RMSE et la MSE.

Cependant, parfois, vous pouvez voir une valeur de MAPE très grande, même si le modèle semble bien ajuster les données. Examinez le diagramme de la valeur de réponse ajustée par rapport à la valeur de réponse réelle pour voir si les valeurs de données sont proches de 0. Étant donné que le MAPE divise l'erreur absolue par les données réelles, les valeurs proches de 0 peuvent grandement augmenter le MAPE.