Un errore di previsione è il fallimento di un evento previsto. Quando le previsioni falliscono, gli esseri umani possono usare metacognitivo funzioni, esaminando previsioni precedenti e fallimenti e decidendo, ad esempio, se esistono correlazioni e tendenze, come l'incapacità di prevedere con precisione i risultati in situazioni particolari. L'applicazione di quel tipo di conoscenza può informare le decisioni e migliorare la qualità delle previsioni future.
Il software di analisi predittiva elabora dati nuovi e storici per prevedere attività, comportamenti e tendenze. I programmi applicano tecniche di analisi statistica, query analitiche e algoritmi di apprendimento automatico a set di dati per creare modelli predittivi che quantificano la probabilità che si verifichi un particolare evento.
Gli errori sono un elemento imprescindibile dell'analisi predittiva che dovrebbe anche essere quantificata e presentata insieme a qualsiasi modello, spesso sotto forma di un intervallo di confidenza che indica quanto accurate dovrebbero essere le sue previsioni. L'analisi degli errori di previsione da modelli simili o precedenti può aiutare a determinare gli intervalli di confidenza.
Nell'intelligenza artificiale (AI), l'analisi degli errori di previsione può aiutare a guidare l'apprendimento automatico (ML), analogamente a come fa per l'apprendimento umano. Nell'apprendimento per rinforzo, ad esempio, un agente potrebbe utilizzare l'obiettivo di ridurre al minimo il feedback di errore come un modo per migliorare. In tal caso, agli errori di previsione potrebbe essere assegnato un valore negativo e ai risultati previsti un valore positivo, nel qual caso l'IA sarebbe programmata per tentare di massimizzare il proprio punteggio. Questo approccio al ML, a volte noto come apprendimento guidato dall'errore, cerca di stimolare l'apprendimento approssimando la spinta umana alla padronanza.