Une mesure de l'écart entre les prédictions d'un modèle et les valeurs réellement observées.L'erreur de prédiction est une mesure statistique qui quantifie l'écart entre les prévisions d'un modèle et les résultats réellement observés. En physique et en apprentissage automatique, c'est la métrique fondamentale pour évaluer dans quelle mesure une théorie ou un algorithme capture la réalité. Une faible erreur de prédiction indique que le modèle extrait avec succès les structures sous-jacentes des données, tandis qu'une erreur élevée signale que le modèle est soit trop simpliste, soit surajusté, soit qu'il lui manque des mécanismes physiques essentiels.
Le concept formel d'erreur de prédiction est apparu avec le développement de la théorie de l'apprentissage statistique au milieu du XXe siècle, notamment grâce aux travaux d'Abraham Wald et, plus tard, au cadre PAC de Leslie Valiant dans les années 1980.
L'erreur de prédiction est généralement calculée comme une fonction de coût, telle que l'erreur quadratique moyenne ou l'entropie croisée, qui agrège les différences entre les valeurs prédites et la vérité terrain sur un ensemble de données. En pratique, les modèles sont entraînés en minimisant cette erreur sur un ensemble d'apprentissage, puis évalués sur un ensemble de test distinct pour garantir leur capacité de généralisation. En physique, l'erreur de prédiction est utilisée pour valider les théories par rapport aux données expérimentales — par exemple, en comparant les trajectoires orbitales simulées aux observations, ou les prédictions des réseaux de neurones sur les propriétés moléculaires aux calculs de chimie quantique.
L'erreur de prédiction est utilisée partout, de la prévision météorologique (comparaison des températures prévues aux relevés réels) au diagnostic médical (évaluation de la précision avec laquelle une IA prédit la progression d'une maladie), et dans les simulations physiques pour ajuster les modèles de systèmes complexes comme la turbulence ou la structure nucléaire.
En chimie quantique, les réseaux de neurones peuvent désormais atteindre des erreurs de prédiction pour les énergies moléculaires inférieures au seuil de précision chimique de 1 kcal/mol, rivalisant avec les méthodes ab initio traditionnelles pour une fraction du coût de calcul.











