Lors de l'entraînement d'un modèle de régression qui prédit le temps de livraison en minutes, quelles métriques d'évaluation le data scientist devrait-il utiliser ? (Choisissez-en deux.)

Pour un modèle de régression prédisant une valeur numérique continue comme le temps de livraison, les métriques d'évaluation doivent mesurer l'erreur entre les prédictions et les valeurs réelles. Le Mean Squared Error (MSE) calcule la moyenne des carrés des erreurs, pénalisant davantage les erreurs importantes. Le Root Mean Squared Error (RMSE) est la racine carrée du MSE, ce qui le rend interprétable dans la même unité que la variable cible (minutes de livraison). Ces deux métriques sont idéales pour évaluer la performance d'un modèle de régression. InferenceLatency mesure le temps nécessaire pour qu'un modèle fasse une prédiction, ce n'est pas une métrique d'évaluation de la performance du modèle. Precision et Accuracy sont des métriques utilisées pour les problèmes de classification, où le modèle prédit une catégorie, et non pour la régression.