Fonction de perte

Terme Intermédiaire 🧠 Concepts fondamentaux

Mis à jour le 6 juin 2026

La fonction de perte est le score d'erreur qui mesure l'écart entre les prédictions d'un modèle et la réalité, et que l'entraînement cherche à minimiser.

📖 Définition

La fonction de perte (ou fonction de coût) mesure la performance d'un modèle en quantifiant l'écart entre ses prédictions et les valeurs réelles. Elle produit un « score d'erreur » que l'entraînement cherche à minimiser. Elle prend différentes formes selon la tâche : l'erreur quadratique moyenne (MSE) pour la régression (prédire un nombre), ou l'entropie croisée (cross-entropy) pour la classification (prédire une catégorie). Durant l'entraînement, la rétropropagation calcule comment chaque poids influence la valeur de la perte, puis la descente de gradient ajuste les poids pour la faire diminuer. La fonction de perte, la rétropropagation et la descente de gradient forment ainsi le trio fondamental de l'apprentissage supervisé : sans signal d'erreur clair à minimiser, un modèle n'aurait aucune direction pour s'améliorer.

💬 En termes simples

C'est comme la note d'un examen : plus le score d'erreur est bas, mieux le modèle a « répondu ». Tout l'entraînement consiste à réviser pour faire baisser cette note, examen après examen.

🎯 Exemple concret

Pour une cible de 5 et une prédiction de 4, l'erreur quadratique donne une perte de (4 − 5)² = 1. Si le modèle s'améliore et prédit 4,8, la perte tombe à (4,8 − 5)² = 0,04 — signe qu'il se rapproche de la bonne réponse.

💡 Le saviez-vous ?

Le choix de la fonction de perte oriente complètement ce que le modèle apprend : deux modèles identiques entraînés avec des fonctions de perte différentes peuvent produire des comportements très différents.

❓ Questions fréquentes

Quelle différence entre MSE et entropie croisée ?

La MSE (erreur quadratique moyenne) sert surtout à la régression — prédire un nombre — tandis que l'entropie croisée est utilisée pour la classification — prédire une catégorie.

Pourquoi minimise-t-on la fonction de perte ?

Parce qu'une perte plus faible signifie des prédictions plus proches de la vérité : la minimiser revient à rendre le modèle plus précis.

Accueil

Outils

Annuaire

Apprendre