Un ingénieur ML construit un modèle dans SageMaker Canvas pour effectuer des prédictions numériques continues en utilisant 10 ans de données historiques. Quelle métrique d'évaluation l'ingénieur doit-il utiliser pour évaluer les performances prédictives du modèle ?

L'ingénieur construit un modèle pour des prédictions numériques continues, ce qui indique une tâche de régression. Le Root Mean Square Error (RMSE) est une métrique d'évaluation courante et appropriée pour les modèles de régression. Il mesure l'ampleur moyenne des erreurs du modèle, en donnant plus de poids aux erreurs plus importantes. Accuracy (Précision) est utilisée pour les problèmes de classification, où le modèle prédit une catégorie discrète. InferenceLatency (Latence d'inférence) mesure le temps nécessaire pour obtenir une prédiction, ce n'est pas une métrique de performance prédictive. Area Under the ROC Curve (AUC) est également une métrique pour les problèmes de classification, évaluant la capacité du modèle à distinguer les classes.