Dans le champ contemporain de la science des données, de l’économétrie et de la modélisation psychométrique, l’évaluation de la fidélité prédictive constitue une étape épistémologique et méthodologique centrale. Lorsqu’un chercheur ou un analyste élabore un modèle de régression, qu’il s’agisse d’un ajustement linéaire classique, d’un modèle linéaire généralisé ou d’un algorithme d’apprentissage automatique supervisé, la question fondamentale demeure invariable : avec quelle précision les prédictions générées par le système formel capturent-elles la réalité empirique observée ? Parmi l’ensemble des métriques d’ajustement disponibles, la racine carrée de l’erreur quadratique moyenne, universellement désignée par son acronyme anglophone RMSE (Root Mean Squared Error), s’impose comme l’un des indicateurs les plus rigoureux, informatifs et largement adoptés par la communauté scientifique internationale.
La prédominance du RMSE s’explique en grande partie par ses propriétés mathématiques élégantes et son interprétabilité directe dans l’unité de mesure propre à la variable dépendante investiguée. Contrairement à des indices adimensionnels comme le coefficient de détermination standard, le RMSE offre une estimation directe et concrète de l’ampleur moyenne des résidus. Dans les disciplines quantitatives telles que les sciences du comportement, la psychométrie computationnelle ou la biostatistique, cette métrique permet de quantifier l’erreur de mesure ou de prédiction sans distorsion d’échelle, fournissant ainsi aux praticiens une appréciation immédiate de la validité clinique ou théorique de leurs inférences.
Néanmoins, la mise en œuvre empirique et l’interprétation rigoureuse du RMSE nécessitent une maîtrise conjointe des fondements théoriques de l’estimation statistique et des outils computationnels modernes. L’environnement logiciel R, plateforme de référence pour le calcul statistique et la recherche reproductible, propose un spectre étendu de solutions pour dériver cet indicateur : de la formulation vectorielle manuelle en langage de base (Base R) jusqu’aux flux de travail sophistiqués et modulaires offerts par des écosystèmes tels que caret et tidymodels. Ce manuel approfondi propose une exploration exhaustive du calcul, du diagnostic, de l’optimisation algorithmique et de l’interprétation empirique du RMSE au sein de l’écosystème R, en accordant une attention particulière aux exigences analytiques des sciences du comportement et de la modélisation prédictive.
1. Fondements théoriques et définition du RMSE en modélisation statistique
1.1 Définition conceptuelle de l’erreur quadratique moyenne
D’un point de vue conceptuel, la racine carrée de l’erreur quadratique moyenne représente la mesure paramétrique standard de la dispersion des résidus générés par un modèle d’estimation. Dans tout processus de régression, le résidu se définit comme l’écart algébrique observé entre la valeur empirique réellement recueillie et la valeur théorique projetée par l’opérateur d’ajustement. Le RMSE synthétise la distribution de ces écarts individuels en une valeur scalaire unique, reflétant la distance globale entre la surface de prédiction et la distribution empirique des points de données.
Sur le plan de la géométrie différentielle et de l’algèbre linéaire, le RMSE s’interprète directement comme la distance euclidienne normalisée séparant le vecteur des observations réelles du vecteur des prédictions dans un espace vectoriel de dimension n, où n représente le volume de l’échantillon analysé. En divisant la norme euclidienne du vecteur résiduel par la racine carrée du nombre d’observations, le RMSE ramène cette distance géométrique globale à une magnitude d’erreur moyenne par observation, préservant ainsi la comparabilité inter-échantillons.
Une caractéristique primordiale du RMSE réside dans l’homogénéité stricte de ses dimensions physiques ou psychométriques avec celles de la variable réponse. Si l’on modélise le temps de réaction cognitive mesuré en millisecondes, ou un indice d’anxiété évalué sur une échelle continue de 0 à 100, le RMSE s’exprimera très exactement en millisecondes ou en points sur cette même échelle. Cette propriété le distingue favorablement de l’erreur quadratique moyenne (MSE), dont l’élévation au carré génère des unités dimensionnelles artificielles souvent dépourvues de signification phénoménologique immédiate pour le chercheur.
Toutefois, cette élégance dimensionnelle s’accompagne d’une sensibilité structurelle marquée aux valeurs aberrantes et aux queues de distribution épaisses. En raison de l’opération de quadrature appliquée préalablement à l’extraction de la moyenne et de la racine, les résidus de forte amplitude exercent une influence disproportionnée sur la valeur finale de l’indicateur. Une unique observation déviant sévèrement de la trajectoire centrale du modèle peut ainsi accroître le RMSE de manière substantielle, conférant à cet estimateur une nature non robuste qui exige une vigilance diagnostique accrue lors du traitement de jeux de données empiriques.
1.2 Rôle du RMSE dans l’évaluation des modèles de régression
Dans l’architecture de la régression statistique classique, le RMSE entretient une filiation théorique directe avec le critère d’ajustement par les moindres carrés ordinaires (MCO). L’algorithme standard des MCO vise explicitement à identifier le vecteur de paramètres qui minimise la somme des carrés des résidus. Par conséquent, minimiser cette somme équivaut mathématiquement et rigoureusement à minimiser le RMSE. Cette équivalence analytique confère au RMSE le statut de critère d’optimalité naturelle pour évaluer l’adéquation globale des modèles linéaires gaussiens.
Lors de la compétition entre modèles rivaux formulés sur un même ensemble de données, le RMSE sert de benchmark quantitatif prédictif. Contrairement au coefficient de détermination R² qui décrit la proportion de variance expliquée par rapport à un modèle nul basé sur la moyenne, le RMSE quantifie l’incertitude absolue inhérente aux prédictions individuelles. Ainsi, un modèle présentant un R² statistiquement satisfaisant peut néanmoins afficher un RMSE prohibitif si la variabilité intrinsèque du phénomène sous-jacent est particulièrement élevée, interdisant toute utilisation opérationnelle à visée prévisionnelle fine.
En outre, l’examen du RMSE sur des ensembles de données partitionnés constitue la pierre angulaire du diagnostic opérationnel du compromis biais-variance. En confrontant le RMSE calculé sur l’échantillon d’apprentissage au RMSE obtenu sur un échantillon de test indépendant, l’analyste décèle immédiatement les pathologies de l’apprentissage statistique. Un RMSE d’apprentissage anormalement bas couplé à un RMSE de test significativement dégradé signale sans équivoque un phénomène de surapprentissage (overfitting), situation où le modèle capture le bruit stochastique au détriment de la structure génératrice sous-jacente.
Il importe toutefois de souligner les limites inhérentes à l’interprétation absolue de cette statistique sans contextualisation ni normalisation préalable. Le RMSE étant intrinsèquement indexé sur la métrique de la variable dépendante, sa magnitude brute ne permet aucunement de comparer directement l’ajustement de modèles portant sur des construits dissemblables, tels que la prédiction du rythme cardiaque d’une part et celle du niveau de cortisol salivaire d’autre part. L’évaluation de son acceptabilité requiert systématiquement une mise en perspective avec la moyenne, la variance totale ou l’étendue de l’échelle d’observation.
1.3 Applications empiriques dans la recherche en psychométrie et sciences du comportement
Au sein des sciences du comportement, de la psychologie quantitative et de la psychiatrie observationnelle, le RMSE remplit une fonction épistémique essentielle dans la validation prédictive des instruments de mesure et des scores composites. Lorsqu’un protocole expérimental vise à remplacer une batterie diagnostique longue et invasive par une échelle psychométrique abrégée auto-rapportée, le RMSE permet de quantifier rigoureusement la marge d’erreur moyenne introduite par cette simplification instrumentale lors de la restitution du score standardisé complet.
Dans l’évaluation formalisée des modèles explicatifs du stress chronique, de la dépression majeure ou du bien-être subjectif, le calcul du RMSE offre une mesure concrète de la validité écologique des architectures prédictives. Par exemple, lorsqu’un modèle de régression multivarié intègre des biomarqueurs physiologiques, des indicateurs de sommeil actigraphiques et des évaluations de la charge cognitive quotidienne pour pronostiquer l’épuisement professionnel, le RMSE informe directement le clinicien de la bande d’incertitude entourant l’estimation du risque pour un patient donné.
Par ailleurs, l’essor contemporain de la psychologie computationnelle et des neurosciences cognitives a conféré au RMSE un rôle de premier plan dans l’évaluation de modèles d’accumulation de preuves, tels que les modèles de diffusion de drift (DDM) ou les architectures d’apprentissage par renforcement computationnel (RL). Dans ces contextes, l’ajustement des paramètres individuels de vitesse de traitement de l’information repose fréquemment sur la minimisation conjointe du RMSE calculé sur les distributions conjointes de choix comportementaux et de temps de décision motrice, assurant un pont analytique rigoureux entre structures formelles et manifestations comportementales.
2. Formulation mathématique et décomposition analytique du calcul
2.1 Structure algébrique de l’équation standard du RMSE
L’architecture mathématique formalisant le calcul du RMSE repose sur une suite univoque d’opérations vectorielles et d’agrégations scalaires. Soit un ensemble de n observations appariées, où yi désigne la valeur empirique constatée pour l’unité d’échantillonnage i, et ŷi symbolise la prédiction corollaire générée par le modèle statistique considéré pour cette même unité. L’équation canonique de l’indicateur se structure formellement selon l’expression suivante :
RMSE = [ (1 / n) * ∑i=1..n (yi – ŷi)2 ]1/2
La première composante de cette mécanique opératoire est différentielle. Elle procède au calcul du résidu individuel ei = yi – ŷi pour chaque élément de l’échantillon. Cette soustraction vectorielle isole la composante d’erreur brute, matérialisant la distance orientée le long de l’axe de la variable dépendante. Si la prédiction surestime la réalité observée, le résidu prend une polarité négative ; à l’inverse, une sous-estimation se traduit par un résidu de signe positif.
La deuxième composante impose l’opération de quadrature arithmétique ei2. Cette élévation de chaque résidu à la puissance 2 remplit une double fonction mathématique fondamentale. D’une part, elle annule la polarité des résidus individuels, contournant l’écueil d’une compensation mutuelle des erreurs positives et négatives qui conduirait artificiellement à une somme résiduelle nulle dans les modèles MCO centrés. D’autre part, cette puissance introduit une pénalisation quadratique non linéaire : une erreur d’amplitude double entraîne un coût de quadrature quadruplé, conférant un poids prépondérant aux écarts sévères dans l’évaluation de la performance.
La troisième étape consiste en une normalisation arithmétique par sommation et division par la taille d’échantillon n, ce qui formalise le calcul de l’espérance empirique des carrés des erreurs, usuellement dénommée erreur quadratique moyenne (MSE). Enfin, la quatrième phase applique l’opérateur de racine carrée univariée sur ce scalaire moyen. Cette extraction finale constitue une translation dimensionnelle indispensable, révoquant la distorsion quadratique introduite à la seconde étape pour réaligner l’unité de mesure de la statistique d’erreur sur l’échelle originale des variables sous observation.
2.2 Propriétés statistiques et hypothèses de distribution
Sur le plan des propriétés inférentielles, le RMSE calculé sur un échantillon fini se présente comme un estimateur convergent de l’écart-type de la distribution théorique du terme d’erreur stochastique sous-jacent. Si les résidus du modèle sont identiquement et indépendamment distribués (i.i.d.) selon une distribution normale de moyenne nulle et de variance constante σ2, alors la somme des carrés résiduels standardisés suit rigoureusement une distribution du Chi-deux. Sous ces hypothèses de régularité paramétrique, le RMSE converge asymptotiquement presque sûrement vers le paramètre σ lorsque la taille d’échantillon n tend vers l’infini.
Il convient toutefois d’examiner avec précision la relation analytique formelle unissant le RMSE à la variance résiduelle non biaisée du modèle statistique. Dans le cadre de l’estimation par régression linéaire multivariée comportant p paramètres estimés (incluant la constante), l’estimateur sans biais de la variance d’erreur, fréquemment désigné comme le carré moyen de l’erreur résiduelle (s2), divise la somme des carrés résiduels par les degrés de liberté résiduels (n – p) et non par la taille brute n. Par voie de conséquence, le RMSE standard tel que calculé en apprentissage automatique sous-estime légèrement la variance résiduelle en échantillon fini selon la relation mathématique exacte suivante :
s = RMSE * [ n / (n – p) ]1/2
Lorsque la taille de l’échantillon n est substantiellement large devant le nombre de régresseurs p, ce ratio de correction converge rapidement vers l’unité, rendant la divergence négligeable en pratique. En revanche, dans le contexte d’études psychométriques ou cliniques caractérisées par de petits effectifs d’échantillonnage et un nombre élevé de prédicteurs, l’omission de cette correction des degrés de liberté engendre un optimisme artificiel quant à la précision intrinsèque du modèle.
Par ailleurs, la validité interprétative du RMSE est intimement dépendante du respect de l’homoscédasticité, c’est-à-dire l’invariance de la variance d’erreur le long du continuum de prédiction. En présence d’hétéroscédasticité structurelle—situation récurrente en psychologie cognitive où la variabilité des temps de réponse s’accroît proportionnellement à la difficulté de la tâche—, le RMSE fournit une synthèse globale trompeuse. La dispersion réelle autour des estimations se révèle en effet considérablement inférieure au RMSE dans les segments inférieurs de la prédiction, et largement supérieure dans les segments hauts, masquant l’hétérogénéité locale de la précision diagnostique du modèle.
3. Préparation des données et configuration de l’environnement R
3.1 Initialisation de la session et structures de données fondamentales
La conduite d’analyses statistiques rigoureuses et reproductibles au sein du système R requiert une initialisation méthodique de l’environnement de calcul. La première étape consiste à neutraliser les dépendances stochastiques potentielles en fixant la graine du générateur de nombres pseudo-aléatoires via l’instruction canonique set.seed(). Cette précaution méthodologique garantit que toute génération synthétique de résidus ou toute procédure de rééchantillonnage ultérieure produira des résultats strictement identiques lors de réplications indépendantes par d’autres équipes de recherche.
L’agencement des données destinées au calcul de la performance prédictive s’effectue usuellement au moyen de vecteurs numériques élémentaires, assemblés ou non au sein d’une structure de données bidimensionnelle de type data.frame ou tibble. Dans le cadre strict des calculs d’erreur, deux composantes vectorielles appariées doivent être impérativement alignées : le vecteur des observations empiriques, traditionnellement étiqueté actual ou obs, et le vecteur des valeurs calculées par l’algorithme, généralement dénommé predicted ou pred.
Une vigilance particulière doit être accordée au contrôle strict du typage des données. Dans R, l’application d’opérateurs arithmétiques sur des structures non numériques peut induire des erreurs silencieuses ou des coercitions implicites indésirables, par exemple lorsqu’un vecteur numérique est involontairement converti en facteur ou en chaîne de caractères à la suite d’une importation déficiente de valeurs manquantes. L’emploi systématique des fonctions d’assertion telles que is.numeric() constitue une défense algorithmique essentielle avant d’engager toute chaîne de traitement résiduel.
L’inspection préliminaire des structures s’articule autour des fonctions de diagnostic descriptif de base. L’appel de la fonction summary() sur les vecteurs d’observation et de prédiction permet d’examiner immédiatement les valeurs extrêmes, les quantiles, la tendance centrale et la détection d’éventuelles valeurs hors limites ou manquantes (NA). En parallèle, la fonction str() confirme l’intégrité de la dimension vectorielle et valide la continuité arithmétique des variables soumises à l’analyse.
3.2 Création d’un jeu de données synthétique pour le tutoriel
Afin d’illustrer de manière didactique et parfaitement reproductible l’ensemble des protocoles computationnels détaillés dans ce guide, nous procédons à la construction d’un jeu de données synthétique mimant les propriétés distributionnelles d’une variable continue issue de la psychométrie appliquée. Imaginons une investigation clinique évaluant un score d’épuisement émotionnel mesuré sur une échelle continue théorique s’étendant de 0 à 100 points, recueilli auprès d’une cohorte expérimentale de 500 individus.
Pour instancier ce scénario dans la session R, nous configurons l’environnement avec la graine aléatoire fixe 42. Nous générons un vecteur d’observations empiriques actual composé de 500 valeurs tirées d’une distribution gaussienne présentant une moyenne empirique de 50 unités et un écart-type de 12 unités. Simultanément, nous modélisons un processus prédictif imparfait en générant les estimations du modèle sous la forme d’un vecteur predicted. Ce dernier intègre la composante réelle du score à laquelle nous additionnons une perturbation stochastique normale de moyenne nulle et d’écart-type égal à 4, figurant l’erreur résiduelle non captée par le modèle.
L’alignement structurel de ces deux vecteurs doit faire l’objet d’une vérification formelle rigoureuse. L’une des particularités du moteur d’exécution de R réside dans le mécanisme de recyclage vectoriel : si deux vecteurs de longueurs inégales sont soumis à une soustraction élément par élément, R recycle les éléments du vecteur le plus court pour égaler la longueur du plus long, générant parfois une simple notification d’avertissement sans interrompre le script. Pour proscrire formellement ce risque de corruption computationnelle, le code garantit une conformité dimensionnelle absolue par l’instruction length(actual) == length(predicted), assurant une correspondance biunivoque parfaite pour chaque observation.
4. Calcul manuel du RMSE via la programmation vectorisée en Base R
4.1 Décomposition séquentielle des étapes arithmétiques
La compréhension intime des rouages algorithmiques du RMSE s’acquiert idéalement par la décomposition pédagogique et séquentielle de chaque sous-opération au sein de l’interpréteur R natif. Cette approche méthodique permet de matérialiser chaque transition d’état scalaire et vectoriel, facilitant le débogage et l’audit du code dans les environnements critiques.
La première phase computationnelle procède à la soustraction vectorielle directe : residuals <- actual – predicted. Grâce à la vectorisation inhérente au langage R, cette instruction ne requiert aucune boucle explicite for ou while. L’interpréteur exécute l’opération élément par élément à une cadence hautement optimisée, produisant un nouveau vecteur numérique contenant exactement 500 valeurs scalaires correspondant aux déviations résiduelles individuelles orientées.
La seconde phase applique l’opérateur arithmétique d’élévation à la puissance : squared_residuals <- residuals^2. Chaque cellule du vecteur résiduel est multipliée par elle-même, effaçant ainsi toute distinction de signe et appliquant la pénalisation quadratique aux résidus distants. Le vecteur résultant, strictement positif, matérialise l’énergie d’erreur individuelle générée par chaque prédiction.
La troisième phase consolide ces variances locales en un scalaire représentatif par l’emploi de la fonction mean() : mean_squared_error <- mean(squared_residuals). Cette fonction calcule la moyenne arithmétique de la somme totale des résidus quadratiques, retournant un objet scalaire de dimension 1 correspondant à l’erreur quadratique moyenne (MSE). La quatrième et ultime étape applique l’opérateur unaire sqrt() : rmse_result <- sqrt(mean_squared_error). Cette dernière transformation ramène la valeur statistique à l’échelle originale du construit psychométrique, finalisant le processus analytique décomposé.
4.2 Exécution en une seule ligne de commande condensée
Dans la pratique courante de l’analyste chevronné, cette séquence d’opérations est agrégée sous la forme d’une expression idiomatique condensée, exécutée en une instruction unique au sein de la console R. La syntaxe canonique en Base R prend la formulation compacte suivante :
rmse_direct <- sqrt(mean((actual – predicted)^2))
Cette condensation syntaxique ne relève pas d’une simple coquetterie stylistique ; elle optimise substantiellement l’allocation de mémoire vive et l’efficacité computationnelle. En imbriquant directement la soustraction, la mise au carré et la moyenne au sein de l’appel à la fonction sqrt(), l’interpréteur R évite l’instanciation superflue et la conservation en mémoire de variables intermédiaires volumineuses dans l’espace de travail global (global environment). Sur des jeux de données comportant plusieurs millions d’enregistrements, cette économie de pointeurs vectoriels prévient la saturation du ramasse-miettes (garbage collector).
L’exécution de cette instruction repose sur les bibliothèques mathématiques internes hautement optimisées écrites en langage C et Fortran, qui sous-tendent les primitives arithmétiques de R. La soustraction et la multiplication vectorisées bénéficient des instructions SIMD (Single Instruction, Multiple Data) des processeurs contemporains, conférant au code natif de R une vélocité remarquable souvent sous-estimée par les détracteurs des langages interprétés.
Pour les besoins de restitution et de publication scientifique, la valeur scalaire brute issue de ce calcul est généralement formatée à l’aide des fonctions print(), format() ou round(). Par exemple, l’application de l’instruction round(rmse_direct, digits = 3) permet d’ajuster la précision d’affichage à trois décimales, conformément aux standards de précision métrologique requis dans les revues internationales de psychométrie et de biostatistique.
5. Encapsulation dans une fonction personnalisée réutilisable
5.1 Conception architecturale d’une fonction R robuste
Bien que la syntaxe condensée en Base R soit rapide à exécuter de manière ponctuelle, le développement d’analyses reproductibles et de progiciels statistiques pérennes exige l’encapsulation de cette logique au sein d’une fonction R personnalisée, modulaire et hautement défensive. La programmation défensive a pour objet de prémunir le chercheur contre les dysfonctionnements insidieux résultant de structures de données mal formées ou incompatibles.
L’architecture d’une fonction robuste débute par la déclaration formelle de ses arguments d’entrée. Une fonction de calcul de RMSE doit a minima accepter deux paramètres obligatoires : le vecteur des observations réelles actual et le vecteur des prédictions corollaires predicted. Dès l’ouverture du corps de la fonction, une série de barrières d’intégrité doit être immédiatement dressée au moyen de l’utilitaire d’assertion stopifnot().
Ces assertions structurelles doivent impérativement valider deux conditions préalables absolues. D’une part, la validation de type : les instructions is.numeric(actual) et is.numeric(predicted) doivent retourner TRUE de manière univoque, prévenant l’injection intempestive de variables catégorielles ou de chaînes textuelles. D’autre part, la validation dimensionnelle : l’assertion length(actual) == length(predicted) doit être scrupuleusement vérifiée afin d’annihiler tout risque d’alignement asymétrique et d’empêcher formellement le mécanisme de recyclage vectoriel de R de corrompre silencieusement les estimations d’erreur.
5.2 Paramétrage avancé et gestion des cas d’exception
Au-delà des contrôles d’intégrité structurelle de base, une fonction computationnelle de niveau professionnel doit incorporer une gestion intelligente des valeurs manquantes et des valeurs indéterminées. Dans la collecte empirique de données psychologiques, l’absence de réponse ou l’interruption précoce d’un questionnaire constitue la norme plutôt que l’exception. Par conséquent, notre fonction personnalisée doit intégrer un argument booléen formel na.rm = FALSE, conférant à l’utilisateur le contrôle délibéré sur le sort des cellules incomplètes.
Lorsque le paramètre na.rm est défini sur TRUE, la fonction ne doit pas se contenter d’appliquer un filtrage isolé sur chaque vecteur, ce qui risquerait de désynchroniser l’appariement des indices. Elle doit procéder à une purge par observation couplée : les indices comportant une valeur NA dans l’un ou l’autre des vecteurs doivent être identifiés simultanément à l’aide de l’instruction is.na(actual) | is.na(predicted), et soustraits conjointement de l’analyse. Si l’opération de purge aboutit à un ensemble résiduel vide (aucun cas complet disponible), la fonction doit lever une erreur explicite ou renvoyer NA assorti d’un avertissement circonstancié via la commande warning().
En conformité avec les standards d’ingénierie logicielle du CRAN, le corps de la fonction doit être rigoureusement documenté en adoptant le formalisme roxygen2. Les balises standardisées telles que @param actual, @param predicted, @param na.rm, @return et @examples permettent d’expliciter le contrat d’interface, la sémantique des arguments, la nature du scalaire retourné et les modalités typiques d’invocation, transformant un simple script utilitaire en un composant logiciel pleinement intégrable dans un package formel.
6. Utilisation de packages statistiques dédiés : Metrics et ModelMetrics
6.1 Calcul simplifié avec le package Metrics
Pour les chercheurs privilégiant l’usage de bibliothèques éprouvées et validées par la communauté plutôt que le déploiement de fonctions personnalisées, l’écosystème CRAN (Comprehensive R Archive Network) met à disposition des extensions spécialisées. Parmi celles-ci, le package Metrics, maintenu par Ben Hamner et Michael Frasco, occupe une position historique et académique de premier plan dans le benchmarking d’algorithmes prédictifs.
L’installation s’opère via l’instruction standard install.packages(« Metrics »), suivie de son chargement en mémoire active par library(Metrics). Le package expose une interface épurée et intuitive : la fonction rmse(actual, predicted) prend directement en charge le calcul de l’erreur quadratique moyenne en appliquant une implémentation vectorisée hautement lisible. Cette abstraction simplifie l’écriture des scripts de validation croisée et réduit le risque d’erreurs de syntaxe manuelle.
Sur le plan de l’efficience pure, la fonction rmse du package Metrics offre des performances rigoureusement comparables à l’expression vectorisée native en Base R. Elle encapsule les mécanismes de soustraction, de quadrature et de moyenne au sein d’une fonction dédiée, apportant une standardisation terminologique appréciable au sein des équipes de recherche collaboratives où la lisibilité et l’homogénéité du code constituent des impératifs méthodologiques majeurs.
6.2 Optimisation des performances à grande échelle avec ModelMetrics
Lorsque les investigations quantitatives franchissent le seuil des jeux de données conventionnels pour embrasser des architectures de données massives—telles que l’analyse en temps réel de flux de télémétrie comportementale ou de données neuro-imagerie fonctionnelle comprenant des dizaines de millions d’observations—, la vitesse d’exécution de Base R peut devenir un facteur limitant. Dans ce contexte de haute intensité computationnelle, le package ModelMetrics s’impose comme l’alternative technologique de référence.
La singularité architecturale de ModelMetrics réside dans sa compilation intégrale en C++ via l’interfaçage Rcpp. Contrairement aux fonctions R standards dont la boucle d’exécution traverse la couche d’interprétation du langage hôte, la fonction rmse() de ModelMetrics délègue l’intégralité du calcul à un algorithme compiled natif qui opère une itération séquentielle ultra-rapide sur les structures de données contiguës en mémoire vive, minimisant drastiquement les allocations dynamiques et la surcharge de pile d’appels.
L’évaluation rigoureuse des différentiels de performance s’effectue au moyen du package de profilage microbenchmark. En soumettant une cohorte synthétique de 5 000 000 d’observations à une confrontation empirique entre Base R, Metrics::rmse et ModelMetrics::rmse, on observe fréquemment une accélération d’un facteur 2 à 4 au bénéfice de ModelMetrics. Cette optimisation matérielle s’avère particulièrement déterminante lors des procédures de rééchantillonnage intensif, telles que le bootstrap à 10 000 itérations ou la validation croisée emboîtée, où l’évaluation du RMSE est réitérée des dizaines de milliers de fois consécutives.
7. Intégration du RMSE dans le flux de modélisation avec caret
7.1 Extraction directe du RMSE à partir d’un modèle ajusté
Le package caret (Classification And REgression Training), conçu par Max Kuhn, a constitué pendant plus d’une décennie la référence absolue pour l’ingénierie et l’évaluation standardisée des modèles prédictifs sous R. Au sein du paradigme caret, le RMSE ne se présente pas simplement comme une métrique isolée calculée a posteriori, mais comme le critère pivot guidant la sélection automatisée des hyperparamètres et l’ajustement structurel des algorithmes de régression.
Lorsqu’un chercheur entraîne un modèle de régression—qu’il s’agisse d’un ajustement linéaire simple ou d’un réseau élastique régularisé (Elastic Net)—au travers de la fonction générique train(), caret exécute automatiquement une validation croisée selon les paramètres spécifiés dans trainControl(). Par défaut, pour toutes les variables cibles continues, caret désigne le RMSE comme la fonction de perte cible à minimiser. À l’issue du processus d’optimisation, l’objet structuré résultant contient un tableau d’évaluation complet au sein de son élément interne model$results.
L’extraction programmatique du RMSE optimal s’effectue avec une extrême simplicité par l’interrogation directe de la table de synthèse : best_rmse <- model$results$RMSE[which.min(model$results$RMSE)]. Cette valeur représente l’estimation non biaisée de l’erreur quadratique moyenne calculée sur l’ensemble des blocs de validation externe, offrant immédiatement au chercheur un indice robuste de la capacité de généralisation de son architecture prédictive, débarrassé de l’optimisme trompeur des métriques calculées sur l’échantillon d’apprentissage complet.
7.2 Utilisation de la fonction postResample()
En marge du flux complet d’entraînement via la fonction train(), caret expose un utilitaire analytique particulièrement puissant nommé postResample(). Cette fonction spécialisée est expressément conçue pour évaluer la performance prédictive d’un modèle lorsque l’on dispose déjà d’un vecteur de prédictions estimées et d’un vecteur d’observations de contrôle indépendantes.
L’invocation de la commande postResample(pred = predictions, obs = observations) génère instantanément un vecteur nommé associant les trois indicateurs cardinaux de la régression continue : le RMSE, le coefficient de détermination R² et l’erreur absolue moyenne (MAE). Cette triade d’évaluation synthétise de manière exhaustive l’ajustement du modèle : le RMSE pénalise sévèrement les écarts extrêmes, le MAE fournit une estimation de la déviation médiane ou moyenne non disproportionnée, et le R² informe sur la fraction de variance globale séquestrée par l’équation prédictive.
Dans la rédaction de rapports d’analyse psychométrique ou d’articles académiques soumis à évaluation par les pairs, la confrontation simultanée de ces trois métriques extraites de postResample() permet un diagnostic clinique et statistique d’une grande finesse. Un modèle affichant un R² très élevé conjugué à un écart substantiel entre son RMSE et son MAE met immédiatement en lumière l’existence d’une sous-population atypique pour laquelle les prédictions subissent des déviations majeures, incitant le chercheur à explorer d’éventuels effets modérateurs non modélisés.
8. Calcul moderne et modulaire au sein de l’écosystème tidymodels
8.1 Utilisation du package yardstick pour une syntaxe standardisée
L’évolution contemporaine de l’environnement R vers le métacadre tidyverse a trouvé son pendant direct en modélisation statistique à travers la suite intégrée tidymodels. Au sein de cet écosystème modulaire fondé sur les principes de la grammaire des données (tidy data), le package yardstick se voit confier la responsabilité exclusive de la mesure et de l’estimation des performances algorithmiques.
L’approche de yardstick rompt avec la tradition des vecteurs atomiques déconnectés en imposant que les calculs de performance s’opèrent directement au sein de structures tabulaires de type data.frame ou tibble. Les prédictions et les observations réelles doivent obligatoirement coexister sous forme de colonnes alignées au sein de cette table. La fonction rmse() de yardstick adopte alors une syntaxe déclarative fluide et standardisée :
resultat_rmse <- data_evaluation %>% yardstick::rmse(truth = score_reel, estimate = score_predit)
L’exécution de cette commande ne retourne pas un simple scalaire flottant anonyme, mais un tibble rigoureusement formalisé composé de trois métadonnées explicites : .metric (identifiant la nature de la métrique, en l’occurrence « rmse »), .estimator (précisant le type d’estimateur statistique, par exemple « standard ») et .estimate (contenant la valeur numérique exacte du RMSE). Cette standardisation garantit l’interopérabilité fluide des résultats à travers toutes les étapes ultérieures du pipeline d’analyse tidymodels.
8.2 Agrégation multi-métriques avec metric_set()
La puissance conceptuelle de yardstick se déploie pleinement à travers sa capacité à fusionner plusieurs métriques d’évaluation au sein d’un opérateur composite unique via la fonction d’ordre supérieur metric_set(). Dans le cadre de l’évaluation standardisée de modèles psychométriques, un analyste peut aisément concevoir un estimateur multi-critère sur mesure en déclarant par exemple :
mesures_performance <- yardstick::metric_set(yardstick::rmse, yardstick::mae, yardstick::rsq)
Une fois cet opérateur composite instancié, son application sur le jeu de données d’évaluation calcule simultanément les trois métriques en une passe analytique unique. Plus spectaculaire encore est l’interaction de cet opérateur avec la fonction de regroupement group_by() de dplyr. Si l’échantillon d’investigation psychologique comprend des sous-groupes démographiques ou cliniques distincts—par exemple des cohortes stratifiées par tranches d’âge ou par sous-types diagnostiques—, l’instruction combinée suivante :
tableau_groupe <- data_evaluation %>% dplyr::group_by(groupe_clinique) %>% mesures_performance(truth = score_reel, estimate = score_predit)
génère instantanément un tableau d’évaluation multidimensionnel calculant le RMSE, le MAE et le R² spécifiquement pour chaque sous-groupe clinique. Cette décomposition analytique permet d’évaluer l’équité prédictive (algorithmic fairness) du modèle, en vérifiant empiriquement que l’erreur quadratique moyenne ne présente pas d’asymétrie discriminatoire au détriment d’une sous-population particulière. Les sorties structurées de yardstick s’injectent ensuite directement dans la grammaire graphique de ggplot2 pour produire des représentations visuelles des différentiels d’ajustement inter-groupes.
9. Validation croisée et calcul du RMSE sur données d’apprentissage et de test
9.1 Partitionnement des données et prévention du surapprentissage
L’erreur méthodologique la plus pernicieuse en modélisation prédictive consiste à estimer le RMSE exclusivement sur les données qui ont servi à l’étalonnage des paramètres du modèle. Ce RMSE d’apprentissage, qualifié de métrique intra-échantillon (in-sample error), présente un optimisme mécanique structurel : plus un modèle est complexe et flexible (comportant des polynômes de degrés élevés ou des arbres de décision profonds), plus il ajuste fidèlement les fluctuations idiosyncrasiques de son échantillon d’entraînement, faisant artificiellement chuter son RMSE intra-échantillon vers zéro.
Pour prévenir cette illusion de performance et mesurer la capacité de généralisation réelle du modèle à des données non observées, la mise en œuvre d’un partitionnement probabiliste strict est impérative. La procédure classique consiste à diviser le jeu de données empirique global en deux sous-ensembles mutuellement exclusifs selon un ratio prédéterminé, typiquement 80% des observations allouées à la partition d’apprentissage (training set) et 20% réservées à la partition de test (testing set).
Le protocole opératoire sous R s’articule de la façon suivante : le modèle statistique est ajusté exclusivement sur la fraction de 80%. Ensuite, l’opérateur générique predict() est appliqué sur les variables indépendantes de la partition de test, générant des prédictions hors-échantillon. Enfin, le RMSE de test (out-of-sample RMSE) est calculé en confrontant ces prédictions aux observations réelles du vecteur de test. Si le RMSE de test s’avère substantiellement supérieur au RMSE d’apprentissage, l’analyste pose le diagnostic formel d’un surapprentissage nécessitant une simplification de la structure du modèle ou l’introduction d’une régularisation paramétrique (telle qu’une pénalité Ridge ou Lasso).
9.2 Validation croisée à k-blocs (k-fold cross-validation)
Bien que le partitionnement binaire apprentissage/test fournisse une première estimation de l’erreur de généralisation, sa robustesse demeure tributaire des aléas d’échantillonnage de la partition unique. Dans les cohortes de taille modeste, courantes en recherche clinique et psychologique, le choix fortuit des observations assignées au bloc de test peut biaiser substantiellement l’estimation du RMSE. La validation croisée à k-blocs (k-fold cross-validation) pallie définitivement cette instabilité.
Le principe mathématique de la validation croisée consiste à segmenter aléatoirement l’échantillon complet de taille n en k sous-ensembles équilibrés et disjoints, usuellement k = 5 ou k = 10. La procédure exécute alors une séquence de k itérations. À chaque itération j (allant de 1 à k), le j-ième bloc est séquestré comme ensemble de validation, tandis que les k – 1 blocs restants sont fusionnés pour entraîner le modèle. Le modèle ainsi calibré génère des prédictions sur les données du bloc j, permettant le calcul d’un RMSE local spécifique à cette tranche.
Au terme des k itérations, le chercheur dispose d’une distribution empirique de k estimations scalaires du RMSE. L’indicateur final de performance prédictive correspond à la moyenne arithmétique de ces k valeurs, dénommée RMSE cross-validé. L’immense avantage statistique de cette approche réside dans la possibilité concomitante de calculer l’écart-type empirique ou l’erreur standard de ces k estimations. Cet intervalle de dispersion fournit une quantification rigoureuse de l’incertitude entourant l’estimation de la performance du modèle, renforçant la validité scientifique des conclusions inférentielles rapportées.
10. Traitement des valeurs manquantes et des valeurs aberrantes
10.1 Impact et gestion rigoureuse des données manquantes (NA)
L’un des comportements fondamentaux du langage R réside dans la propagation stricte de l’indétermination statistique : par défaut, toute opération arithmétique impliquant une valeur manquante (NA) retourne inexorablement NA. Si un seul résidu individuel est indéfini en raison d’une valeur manquante sur la variable dépendante ou sur un régresseur, l’évaluation naïve de sqrt(mean((actual – predicted)^2)) produira irrémédiablement NA, interdisant toute évaluation empirique.
Face à cette contingence, deux stratégies méthodologiques distinctes s’offrent à l’analyste sous R. La première relève de l’exclusion par observation complète (complete-case analysis), matérialisée par l’emploi de l’argument na.rm = TRUE dans les fonctions de calcul, ou par le filtrage préalable des tables via na.omit(). Bien que d’une commodité immédiate, cette suppression d’enregistrements n’est statistiquement neutre que sous l’hypothèse très restrictive de données manquantes complètement au hasard (MCAR – Missing Completely At Random). Si les données manquantes dépendent d’un mécanisme non aléatoire (MNAR), l’exclusion brute biaisera artificiellement le RMSE en occultant les sous-populations les plus vulnérables de l’échantillon.
La seconde approche, hautement recommandée dans les standards méthodologiques contemporains, repose sur l’imputation multiple préalablement au calcul des métriques de performance. À l’aide de bibliothèques spécialisées telles que mice ou missForest, les données lacunaires sont reconstituées de manière stochastique ou déterministe à partir de l’ensemble de l’espace des covariables. Les prédictions et les RMSE sont ensuite dérivés sur les jeux de données imputés, assurant la préservation de la structure distributionnelle intégrale et l’équité de la métrique d’ajustement.
10.2 Sensibilité aux données extrêmes et variantes robustes
Comme souligné lors de l’analyse des propriétés théoriques du RMSE, l’opération de quadrature résiduelle (yi – ŷi)2 confère à cet indicateur une sensibilité disproportionnée aux observations situées aux confins de la distribution. En sciences du comportement, l’émergence d’une valeur aberrante peut résulter d’un comportement inattentif lors de la saisie d’un questionnaire en ligne, d’une erreur d’enregistrement d’un capteur biomédical ou de la manifestation clinique d’un profil atypique rare. L’impact d’une seule observation déviante sur le RMSE global peut masquer l’excellente qualité d’ajustement d’un modèle pour 99% de la population étudiée.
Pour documenter cette vulnérabilité et proposer des métriques alternatives d’une plus grande résilience, la statistique robuste a introduit le concept de RMSE tronqué (Trimmed RMSE). Cette variante consiste à ordonner les résidus quadratiques individuels du plus petit au plus grand, à éliminer une fraction α prédéterminée des erreurs les plus élevées (par exemple les 5% des résidus les plus extrêmes), et à calculer la racine carrée de la moyenne sur les 95% résiduels restants. Ce filtrage mécanique annule l’effet d’amplification disproportionné des anomalies de mesure sans compromettre la détection de l’erreur centrale.
Parallèlement à l’usage d’estimateurs robustes, le diagnostic méthodique des valeurs influentes doit s’intégrer au flux analytique sous R. L’analyste déploiera des représentations diagnostiques basées sur les résidus standardisés ou les résidus studentisés, couplées à l’examen de la distance de Cook via l’instruction plot(modele_lineaire, which = 4). L’identification des points exerçant un effet de levier excessif permet de décider en toute transparence méthodologique si l’anomalie doit être modélisée par une régression robuste (par exemple via rlm() du package MASS) ou traitée comme une défaillance de mesure lors de l’estimation du RMSE.
11. Comparaison critique : RMSE versus MAE, MSE et NRMSE
11.1 Distinction conceptuelle entre RMSE et MAE (Mean Absolute Error)
Dans la littérature statistique et méthodologique internationale, un débat académique rigoureux s’est développé autour de la confrontation entre le RMSE et l’erreur absolue moyenne (MAE – Mean Absolute Error), notamment formalisé par les travaux de Willmott et Matsuura d’une part, et de Chai et Draxler d’autre part. Le MAE se définit algébriquement comme la moyenne arithmétique de la valeur absolue des déviations résiduelles individuelles :
MAE = (1 / n) * ∑i=1..n | yi – ŷi |
La divergence fondamentale entre ces deux métriques réside dans la fonction de pénalisation appliquée à la distance résiduelle. Le MAE applique une norme L1 : chaque unité d’erreur supplémentaire entraîne une pénalisation strictement linéaire, quelle que soit la magnitude initiale du résidu. Le RMSE, à l’inverse, s’enracine dans la norme L2 : son opérateur quadratique amplifie l’importance relative des erreurs substantielles. Par conséquent, sur un même ensemble de données, le RMSE est mathématiquement toujours supérieur ou égal au MAE (RMSE ≥ MAE), l’égalité stricte n’étant observée que dans le cas dégénéré où tous les résidus individuels présentent exactement la même amplitude absolue.
Le choix d’arbitrage entre RMSE et MAE dépend intimement des impératifs épistémologiques et cliniques du domaine d’application. Lorsque le coût opérationnel ou sanitaire d’une déviation prédictive s’accroît de façon exponentielle—par exemple, dans la prédiction du dosage d’un médicament psychiatrique à marge thérapeutique étroite ou dans l’estimation du risque imminent de passage à l’acte suicidaire—, le RMSE s’avère hautement approprié car il pénalise sévèrement les défaillances majeures du modèle. Inversement, si le chercheur vise à évaluer la fidélité typique moyenne d’un instrument psychométrique sans laisser des cas limites exceptionnels fausser l’évaluation globale, le MAE offrira une lecture plus représentative de l’expérience médiane des sujets.
11.2 Normalisation du RMSE (NRMSE) pour comparaisons inter-échelles
L’assujettissement dimensionnel du RMSE constitue sa principale force pour l’interprétation clinique univariée, mais devient une faiblesse rédhibitoire lorsqu’il s’agit de comparer l’efficacité de modèles calibrés sur des échelles hétérogènes. Par exemple, comment déterminer si un modèle prédisant l’anxiété sur l’inventaire STAI (scores de 20 à 80) est plus performant qu’un modèle prédisant le bien-être subjectif sur l’échelle SWLS (scores de 5 à 35) ? La confrontation brute des RMSE est dénuée de validité méthodologique.
Pour transcender cette limite d’échelle, les biostatisticiens emploient la normalisation du RMSE, désignée sous le sigle NRMSE (Normalized Root Mean Squared Error). Cette normalisation s’obtient en divisant le RMSE brut par une constante scalaire décrivant la dispersion ou l’échelle de la variable empirique observée. Trois dénominateurs de normalisation prédominent dans la littérature quantitative contemporaine :
- Normalisation par l’étendue (Range) : Le RMSE est divisé par la différence entre le maximum et le minimum observés (ymax – ymin). Cette approche exprime l’erreur sous la forme d’un pourcentage adimensionnel de l’amplitude totale de l’instrument de mesure, facilitant les comparaisons directes entre questionnaires d’étendues dissemblables.
- Normalisation par l’écart-type (σ) : Le RMSE est rapporté à l’écart-type de la variable dépendante empirique. Cette variante présente un lien mathématique direct avec le coefficient de détermination : lorsque le modèle est estimé par moindres carrés sans biais, le carré de ce ratio est rigoureusement équivalent à (1 – R²).
- Normalisation par la moyenne (μ) : Le RMSE est divisé par la moyenne arithmétique de la distribution observée. Cette formulation, analogue au coefficient de variation, s’avère particulièrement pertinente pour les variables physiques ou comportementales à ratio strict possédant un zéro absolu immuable.
L’implémentation d’une fonction NRMSE flexible au sein de la session R se réalise avec une grande clarté conceptuelle en encapsulant le calcul de base au sein d’une structure conditionnelle autorisant l’utilisateur à commuter dynamiquement entre « range », « sd » ou « mean ». Cette polyvalence instrumentale dote le chercheur d’un outil d’évaluation transdisciplinaire standardisé.
12. Étude de cas complète appliquée aux données psychométriques dans R
12.1 Présentation du problème de modélisation et du jeu de données
Afin de synthétiser de manière pragmatique et unifiée l’ensemble des préceptes théoriques et des méthodes computationnelles explorés tout au long de cet article, nous déployons à présent une étude de cas empirique complète. Nous nous plaçons dans le cadre d’un laboratoire de recherche translationnelle en santé mentale investiguant les déterminants psycho-comportementaux du bien-être subjectif.
Le protocole d’investigation réunit un échantillon clinique et observationnel de n = 500 participants adultes ayant complété trois instruments d’évaluation standardisés :
- Score de Bien-Être Mental (WEMWBS) : Variable dépendante continue formalisée sur une échelle théorique continue s’étendant de 14 à 70 points, les scores élevés dénotant un fonctionnement psychologique optimal.
- Qualité Objective du Sommeil (Index de Pittsburgh – PSQI) : Première variable indépendante continue évaluant les perturbations du sommeil, où des valeurs élevées indiquent une pathologie de l’architecture du sommeil plus sévère.
- Index d’Anxiété Généralisée (GAD-7) : Seconde variable indépendante continue quantifiant l’intensité des symptômes d’anxiété et de tension cognitive au cours des deux semaines précédant l’évaluation.
Nous initialisons la session R avec la graine de reproductibilité 101. Nous simulons les covariables au moyen de distributions continues réalistes : un indice d’anxiété généré selon une distribution Gamma asymétrique modélisant la concentration usuelle de la population dans les bas niveaux de détresse avec une queue clinique étendue vers les scores élevés, et une qualité de sommeil générée selon une loi normale centrée sur un score moyen de perturbation modérée. Le bien-être subjectif est généré sous forme d’une fonction linéaire inverse de ces deux prédicteurs, à laquelle s’adjoint un bruit résiduel gaussien mimant la variabilité non mesurée.
Les données sont encapsulées au sein d’un data.frame nommé psych_data. L’inspection préliminaire des distributions s’opère par l’appel rigoureux de summary(psych_data). Nous spécifions ensuite un modèle de régression linéaire multiple via la fonction fondamentale lm() :
modele_bienetre <- lm(BienEtre ~ Sommeil + Anxiete, data = psych_data)
L’exécution de cette commande calibre le système d’équations par moindres carrés ordinaires, estimant les coefficients de régression partiels pour chaque déterminant clinique.
12.2 Calcul étape par étape, interprétation clinique et reporting
Une fois le modèle calibré, la chaîne de calcul du RMSE se déploie méthodiquement. La première opération réside dans l’extraction des valeurs attendues issues du modèle statistique à l’aide de la méthode générique predict() : predictions_cliniques <- predict(modele_bienetre). Ces prédictions représentent la trajectoire centrale d’ajustement du bien-être conditionnée par les profils individuels de sommeil et d’anxiété.
Nous appliquons simultanément les différentes approches programmatiques codifiées dans ce guide pour évaluer la congruence parfaite des résultats :
- Calcul en Base R vectorisé : rmse_base <- sqrt(mean((psych_data$BienEtre – predictions_cliniques)^2))
- Calcul via le package Metrics : rmse_metrics <- Metrics::rmse(psych_data$BienEtre, predictions_cliniques)
- Calcul via postResample() de caret : stats_caret <- caret::postResample(pred = predictions_cliniques, obs = psych_data$BienEtre)
- Calcul via yardstick : stats_tidy <- data.frame(truth = psych_data$BienEtre, estimate = predictions_cliniques) %>% yardstick::rmse(truth = truth, estimate = estimate)
Toutes ces voies d’accès algorithmiques convergent strictement vers une même valeur scalaire exacte, par exemple un RMSE de 4.125 unités d’échelle. L’étape méthodologique critique bascule alors de l’algèbre vers l’interprétation clinique et diagnostique de cette magnitude d’erreur.
Sur le plan de l’évaluation psychométrique, un RMSE de 4.125 signifie que le modèle de régression prédit le score de bien-être mental d’un sujet individuel avec une déviation type moyenne de 4.125 points sur l’échelle WEMWBS. Si l’écart-type total de cette échelle au sein de la cohorte est de 10.50 points, la normalisation par l’écart-type produit un NRMSE de 4.125 / 10.50 = 0.393 (soit une erreur relative résiduelle d’environ 39%). Cette valeur confirme que les variables de sommeil et d’anxiété capturent une fraction substantielle de la variance du bien-être, réduisant l’incertitude prédictive initiale de plus de 60% par rapport à un pronostic aveugle fondé exclusivement sur la moyenne de l’échantillon.
Enfin, la restitution formelle de ces résultats au sein d’une publication scientifique exige une présentation standardisée rigoureusement conforme aux normes de l’American Psychological Association (APA 7th edition). Le reporting académique ne doit pas isoler le RMSE, mais le consigner au sein d’un tableau synthétique de performance métrologique intégrant les degrés de liberté résiduels, l’écart-type de la variable réponse, le MAE, le R² ajusté et les intervalles de confiance à 95% dérivés par bootstrap. Une telle rigueur de communication assure une transparence méthodologique totale, condition sine qua non de l’intégrité et de la reproductibilité scientifique en psychologie quantitative contemporaine.
Références
- Chambers, J. M. (2008). Software for Data Analysis: Programming with R. Springer Science & Business Media. https://doi.org/10.1007/978-0-387-75936-4
- Chai, T., & Draxler, R. R. (2014). Root mean squared error (RMSE) or mean absolute error (MAE)? – Arguments against avoiding RMSE in the literature. Geoscientific Model Development, 7(3), 1247–1250. https://doi.org/10.5194/gmd-7-1247-2014
- Eddelbuettel, D., & François, R. (2011). Rcpp: Seamless R and C++ integration. Journal of Statistical Software, 40(8), 1–18. https://doi.org/10.18637/jss.v040.i08
- Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer. https://doi.org/10.1007/978-0-387-84858-7
- Hyndman, R. J., & Koehler, A. B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4), 679–688. https://doi.org/10.1016/j.ijforecast.2006.03.001
- Kuhn, M. (2008). Building predictive models in R using the caret package. Journal of Statistical Software, 28(5), 1–26. https://doi.org/10.18637/jss.v028.i05
- Kuhn, M., & Silge, J. (2022). Tidy Modeling with R: A Framework for Modeling in the Tidyverse. O’Reilly Media. https://www.tmwr.org/
- Kuhn, M., & Vaughan, D. (2023). yardstick: Tidy Spectral Metric Calculation. R package version 1.2.0. https://CRAN.R-project.org/package=yardstick
- R Core Team. (2023). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/
- Wickham, H., Averick, M., Bryan, J., Chang, W., McGowan, L. D., François, R., Grolemund, G., Hayes, A., Henry, L., Hester, J., Kuhn, M., Pedersen, T. L., Miller, E., Bache, S. M., Müller, K., Ooms, J., Robinson, D., Seidel, D. P., Spinu, V., Takahashi, K., Vaughan, D., Wilke, C., Woo, K., & Yutani, H. (2019). Welcome to the Tidyverse. Journal of Open Source Software, 4(43), 1686. https://doi.org/10.21105/joss.01686
- Willmott, C. J., & Matsuura, K. (2005). Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate Research, 30(1), 79–82. https://doi.org/10.3354/cr030079