Um erro de previsão é a falha de algum evento esperado para ocorrer. Quando as previsões falham, os humanos podem usar funções metacognitivas, examinando previsões e falhas anteriores e decidindo, por exemplo, se há correlações e tendências, como, por exemplo, ser consistentemente incapaz de prever resultados com precisão em determinadas situações. A aplicação desse tipo de conhecimento pode informar as decisões e melhorar a qualidade das previsões futuras.
O software de análise preditiva processa dados novos e históricos para prever atividade, comportamento e tendências. Os programas aplicam análise estatística técnicas, analíticas consultas e aprendizagem de máquinas algoritmos para conjuntos de dados para criar modelos preditivos que quantificam a probabilidade de um determinado evento acontecer.
Errores são um elemento inescapável de análise preditiva que também deve ser quantificado e apresentado juntamente com qualquer modelo, muitas vezes na forma de um intervalo de confiança que indica quão precisas se espera que sejam as suas previsões. A análise de erros de predição de modelos similares ou anteriores pode ajudar a determinar intervalos de confiança.
Na inteligência artificial (IA), a análise de erros de predição pode ajudar a orientar a aprendizagem da máquina (ML), de forma semelhante à que faz para a aprendizagem humana. Na aprendizagem de reforço, por exemplo, um agente pode usar o objectivo de minimizar o feedback de erros como uma forma de melhorar. Erros de previsão, nesse caso, pode ser atribuído um valor negativo e resultados previstos um valor positivo, caso em que a IA seria programada para tentar maximizar sua pontuação. Essa abordagem ao ML, às vezes conhecida como aprendizagem orientada por erros, procura estimular a aprendizagem através da aproximação do impulso humano para o domínio.