Le modèle de prévision des ventes quotidiennes d'une entreprise de vente au détail produit des prévisions inexactes depuis trois semaines. Un job AWS Glue ajoute chaque jour les ventes réelles et les prédictions du modèle à S3. L'équipe ML enquête sur la dégradation du modèle dans un notebook SageMaker Studio. Quelle visualisation montrera le plus précisément la dégradation du modèle au fil du temps ?

Un graphique linéaire de l'erreur absolue moyenne (MAE) hebdomadaire est le meilleur choix car il visualise directement la performance du modèle (son erreur) au fil du temps. La MAE est une métrique d'erreur courante et son suivi hebdomadaire permet de détecter les tendances et la dégradation progressive. Les histogrammes des ventes ou des erreurs, bien qu'utiles pour la distribution, ne montrent pas clairement l'évolution temporelle de la performance. Les nuages de points des ventes par rapport à l'erreur peuvent révéler des corrélations, mais ne sont pas idéaux pour suivre une dégradation globale sur une période.