আকাইকে ইনফরমেশন ক্রাইটেরিয়ন (AIC)
আকাইকে ইনফরমেশন ক্রাইটেরিয়ন হলো মডেল নির্বাচনের জন্য একটি তথ্য-তাত্ত্বিক পরিমাপ, যা মডেলের উপযুক্ততা এবং জটিলতার মধ্যে ভারসাম্য রক্ষা করে। হিরোতুগু আকাইকে ১৯৭৪ সালে এটি প্রবর্তন করেন। AIC একটি প্রদত্ত ডেটাসেটের জন্য মডেলগুলোর আপেক্ষিক গুণমান অনুমান করে, অতিরিক্ত প্যারামিটারগুলোকে শাস্তি দিয়ে ওভারফিটিং প্রতিরোধ করে।
পুরো পদ্ধতিটি পড়ুন
এই অংশটি পড়তে বিনামূল্যের অ্যাকাউন্ট দিয়ে সাইন ইন করুন।
পদ্ধতি-মানচিত্র
সম্পর্কিত পদ্ধতিসমূহের প্রতিবেশ — অন্বেষণ করতে একটি নোড নির্বাচন করুন।
উৎস
- 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 ↗
এই পৃষ্ঠা কীভাবে উদ্ধৃত করবেন
ScholarGate. (2026, June 3). Akaike Information Criterion. ScholarGate. https://scholargate.app/bn/model-evaluation/akaike-information-criterion
কোন পদ্ধতি?
এই পদ্ধতিটিকে তার নিকটতম সমগোত্রীয়দের পাশে রাখুন এবং পাশাপাশি পড়ুন — গ্রন্থাগার বইগুলি টেবিলে সাজিয়ে দেয়; নির্বাচন আপনার।
- সমন্বিত R-বর্গ (R²_adj)মডেল মূল্যায়ন↔ তুলনা করুন
- বেয়েশীয় তথ্য মানদণ্ড (BIC)মডেল মূল্যায়ন↔ তুলনা করুন
- গড় বর্গ ত্রুটি (MSE)মডেল মূল্যায়ন↔ তুলনা করুন
- নির্ধারণ সহগ (R²)মডেল মূল্যায়ন↔ তুলনা করুন
যেখানে উদ্ধৃত
এই পৃষ্ঠায় কোনো ত্রুটি চোখে পড়েছে? জানান বা সংশোধনের প্রস্তাব দিন →