Criteri d'Informació d'Akaike (AIC)
El Criteri d'Informació d'Akaike (AIC) és una mesura teòrico-informacional per a la selecció de models que equilibra la bondat de l'ajust amb la complexitat del model. Introduït per Hirotugu Akaike el 1974, l'AIC estima la qualitat relativa dels models per a un conjunt de dades determinat, penalitzant paràmetres addicionals per prevenir l'sobreajustament.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Mapa de mètodes
El veïnat de mètodes relacionats — seleccioneu un node per explorar-lo.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Akaike Information Criterion. ScholarGate. https://scholargate.app/ca/model-evaluation/akaike-information-criterion
Quin mètode?
Poseu aquest mètode al costat dels seus parents més pròxims i llegiu-los de costat a costat — la biblioteca disposa els llibres sobre la taula; la tria és vostra.
- R quadrat millorat (R²_adj)Avaluació de models↔ compara
- Criteri d'Informació Bayesiana (BIC)Avaluació de models↔ compara
- Error Quadràtic Mitjà (MSE)Avaluació de models↔ compara
- Coeficient de determinació (R²)Avaluació de models↔ compara
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →