Акаикев критерий за информация (AIC)
Акаикевият критерий за информация е информационно-теоретична мярка за избор на модел, която балансира добротата на напасване спрямо сложността на модела. Въведен от Хиротугу Акаике през 1974 г., AIC оценява относителното качество на моделите за даден набор от данни, наказвайки допълнителни параметри, за да се предотврати пренапасване.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Карта на методите
Обкръжението на сродните методи — изберете възел, за да го разгледате.
Източници
- Akaike, H. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control, 19(6), 716-723. DOI: 10.1109/TAC.1974.1100705 ↗
- Burnham, K. P., & Anderson, D. R. (2002). Model Selection and Multimodel Inference: A Practical Information-Theoretic Approach (2nd ed.). New York: Springer. DOI: 10.2307/3802723 ↗
- Kullback, S., & Leibler, R. A. (1951). On information and sufficiency. Annals of Mathematical Statistics, 22(1), 79-86. DOI: 10.1214/aoms/1177729694 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Akaike Information Criterion. ScholarGate. https://scholargate.app/bg/model-evaluation/akaike-information-criterion
Кой метод?
Поставете този метод до най-близките му сродни методи и ги четете едно до друго — библиотеката полага книгите на масата; изборът е ваш.
- Коригиран коефициент на детерминация (R²_adj)Оценка на модели↔ сравняване
- Байесов информационен критерий (BIC)Оценка на модели↔ сравняване
- Средна квадратична грешка (MSE)Оценка на модели↔ сравняване
- Коефициент на детерминация (R²)Оценка на модели↔ сравняване
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →