Fonction de perte (loss function)
La fonction de perte mesure l’écart entre la prédiction d’un modèle et le résultat réel attendu. Elle représente le « coût » d’une erreur : plus la perte est élevée, plus le modèle se trompe. Entraîner un modèle consiste à ajuster ses paramètres pour minimiser cette fonction — c’est le mécanisme concret derrière la backpropagation.
Le choix de la fonction dépend du problème. Pour une régression (prédire une valeur continue, comme un salaire estimé), on utilise typiquement l’erreur quadratique moyenne. Pour une classification (prédire une catégorie, comme « candidat retenu / écarté »), l’entropie croisée est la référence.
En RH, cette notion reste invisible pour l’utilisateur final — c’est un rouage technique de l’entraînement, pas un concept à manipuler directement. Elle explique cependant pourquoi un modèle de scoring de CV ou de prédiction de turnover « apprend » progressivement à mieux coller à la réalité au fil de l’entraînement, plutôt que de suivre des règles fixées à l’avance.
Retrouvez tous les termes dans le lexique SIRH et IA de yapluqua.com.