পদ্ধতির তুলনা করুন

	গড় বর্গ ত্রুটি (MSE)	আকাইকে ইনফরমেশন ক্রাইটেরিয়ন (AIC)
ক্ষেত্র	মডেল মূল্যায়ন	মডেল মূল্যায়ন
পরিবার	MCDM	MCDM
উদ্ভবের বছর	1809	1974
প্রবর্তক	Carl Friedrich Gauss	Hirotugu Akaike
ধরন	Squared-error loss function	Model selection metric
মৌলিক উৎস	Gauss, C. F. (1809). Theoria Motus Corporum Coelestium in Sectionibus Conicis Solem Ambientium. Hamburg: Perthes and Besser.	Akaike, H. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control, 19(6), 716-723.
অপর নাম	MSE, L2 error, quadratic error	AIC
সম্পর্কিত	4	4
সারসংক্ষেপ	Mean Squared Error is the foundational loss function for regression models, measuring the average squared deviation between predictions and observations. Originating from Gauss and Legendre's method of least squares (1805-1809), MSE is the basis for ordinary least squares regression and remains central to modern machine learning optimization.	The Akaike Information Criterion is an information-theoretic measure for model selection that balances goodness of fit against model complexity. Introduced by Hirotugu Akaike in 1974, AIC estimates the relative quality of models for a given dataset, penalizing additional parameters to prevent overfitting.