Calculateur d'erreur quadratique moyenne (RMSE)
Rédigé par Thierno Sadou Diallo, formule vérifiée selon notre méthodologie • Mis à jour le 17/08/2026
L'erreur quadratique moyenne (RMSE) se calcule avec RMSE = √(Σ(prédit−observé)² ÷ n). Elle mesure l'écart type des erreurs de prédiction, dans la même unité que les données d'origine : plus le RMSE est proche de zéro, plus les prédictions sont proches des valeurs réellement observées.
Explication
L'erreur quadratique moyenne (RMSE, pour Root Mean Square Error) mesure globalement l'écart entre une série de valeurs prédites par un modèle et les valeurs réellement observées. Le calcul élève chaque écart au carré avant de le moyenner, ce qui pénalise davantage les grands écarts que les petits (un écart deux fois plus grand contribue quatre fois plus au résultat final), puis reprend la racine carrée pour ramener le résultat dans la même unité que les données d'origine — contrairement à l'erreur quadratique moyenne sans racine carrée, moins directement interprétable. Ce calculateur complète directement notre calculateur de régression linéaire simple : une fois une droite de régression ajustée à un jeu de données, le RMSE quantifie la qualité réelle de cet ajustement en comparant les valeurs prédites par la droite aux valeurs effectivement observées, un chiffre concret et interprétable qui complète le coefficient de corrélation (une mesure sans unité de la force de la relation, pas de l'ampleur des erreurs). Un RMSE de zéro signifie une correspondance parfaite entre prédictions et observations ; plus le RMSE augmente, plus les prédictions s'écartent en moyenne des valeurs réelles. Le RMSE est largement utilisé pour comparer plusieurs modèles de prédiction entre eux sur le même jeu de données : celui qui obtient le RMSE le plus faible est généralement considéré comme le plus performant sur ces données précises. Comme pour l'inégalité de Tchebychev (voir notre calculateur de l'inégalité de Tchebychev), le RMSE reste un résumé statistique valable quelle que soit la forme de la distribution des erreurs, sans hypothèse de normalité nécessaire pour son calcul.
Exemple : 4 paires avec un écart modéré et constant
Données d'entrée
Paires (prédit, observé) : (3, 2.6), (5, 5.6), (7, 6.6), (9, 9.6).
Calcul
Écarts au carré : (3−2,6)²=0,16 ; (5−5,6)²=0,36 ; (7−6,6)²=0,16 ; (9−9,6)²=0,36. Somme = 1,04. RMSE = √(1,04÷4) = √0,26 ≈ 0,51.
Résultat
Le RMSE de ce jeu de données est d'environ 0,51, dans la même unité que les valeurs d'origine.
Questions fréquentes
Pourquoi élever les écarts au carré plutôt que d'utiliser leur valeur absolue ?
Élever au carré pénalise proportionnellement plus les grands écarts que les petits, ce qui rend le RMSE particulièrement sensible à quelques erreurs importantes plutôt qu'à de nombreuses petites erreurs réparties également. C'est une caractéristique utile lorsque les grosses erreurs sont considérées comme particulièrement problématiques, mais cela signifie aussi qu'une seule valeur aberrante peut faire fortement augmenter le RMSE, contrairement à une mesure basée sur la valeur absolue des écarts.
Comment interpréter la valeur du RMSE obtenue ?
Le RMSE s'exprime dans la même unité que les données d'origine, ce qui le rend directement interprétable : un RMSE de 0,51 sur des données mesurées en mètres signifie une erreur type d'environ 0,51 mètre. Il n'existe pas de seuil universel de « bon » ou « mauvais » RMSE : son interprétation dépend entièrement de l'échelle et du contexte des données étudiées, un même RMSE pouvant être excellent dans un contexte et insuffisant dans un autre.
Le RMSE est-il toujours la meilleure mesure pour évaluer un modèle ?
Non, d'autres mesures existent selon le contexte : l'erreur absolue moyenne (MAE), moins sensible aux valeurs aberrantes puisqu'elle n'élève pas les écarts au carré, ou le coefficient de détermination (R², dérivé du coefficient de corrélation de Pearson), qui exprime la qualité de l'ajustement en proportion plutôt qu'en unité absolue. Le choix de la mesure dépend de ce qui compte le plus dans le contexte d'utilisation : sensibilité aux grandes erreurs, interprétabilité, ou comparabilité entre jeux de données d'échelles différentes.