مقياس لمدى اختلاف توقعات النموذج عن القيم الفعلية المرصودة.خطأ التنبؤ هو مقياس إحصائي يحدد الفجوة بين توقعات النموذج والنتائج الفعلية المرصودة. في الفيزياء والتعلم الآلي، يُعد المقياس الأساسي لتقييم مدى دقة نظرية أو خوارزمية في تمثيل الواقع. يشير انخفاض خطأ التنبؤ إلى أن النموذج نجح في استخلاص الأنماط الكامنة في البيانات، بينما يشير ارتفاع الخطأ إلى أن النموذج إما مبسط للغاية، أو مفرط في التكيف مع البيانات، أو يفتقد آليات فيزيائية أساسية.
ظهر المفهوم الرسمي لخطأ التنبؤ مع تطور نظرية التعلم الإحصائي في منتصف القرن العشرين، خاصة من خلال أعمال أبراهام والد، ولاحقًا إطار تعلم PAC الذي وضعه ليزلي فالينت في الثمانينيات.
يُحسب خطأ التنبؤ عادةً كدالة خسارة، مثل متوسط الخطأ التربيعي أو الإنتروبيا المتقاطعة، والتي تجمع الفروق بين القيم المتوقعة والقيم الحقيقية عبر مجموعة البيانات. عمليًا، تُدرَّب النماذج عن طريق تقليل هذا الخطأ على مجموعة تدريب، ثم تُقيَّم على مجموعة اختبار منفصلة لضمان تعميمها. في الفيزياء، يُستخدم خطأ التنبؤ للتحقق من صحة النظريات مقابل البيانات التجريبية — على سبيل المثال، مقارنة المسارات المدارية المحاكاة بالمسارات المرصودة، أو مقارنة تنبؤات الشبكات العصبية للخصائص الجزيئية بحسابات الكيمياء الكمومية.
يُستخدم خطأ التنبؤ في كل مكان، من التنبؤ بالطقس (مقارنة درجات الحرارة المتوقعة بالقراءات الفعلية) إلى التشخيص الطبي (تقييم دقة توقع الذكاء الاصطناعي لتطور المرض)، وفي المحاكاة الفيزيائية لضبط نماذج الأنظمة المعقدة مثل الاضطراب أو البنية النووية.
في الكيمياء الكمومية، يمكن للشبكات العصبية الآن تحقيق أخطاء تنبؤ لطاقات الجزيئات أصغر من عتبة الدقة الكيميائية البالغة 1 كيلو كالوري/مول، مما ينافس الطرق التقليدية من المبادئ الأولى بتكلفة حسابية أقل بكثير.











