Akaike-Informationskriterium (AIC)
Das Akaike-Informationskriterium ist ein informations-theoretisches Maß zur Modellauswahl, das die Anpassungsgüte gegen die Modellkomplexität abwägt. Es wurde 1974 von Hirotugu Akaike eingeführt und schätzt die relative Qualität von Modellen für einen gegebenen Datensatz, indem es zusätzliche Parameter bestraft, um Überanpassung zu verhindern.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Akaike Information Criterion. ScholarGate. https://scholargate.app/de/model-evaluation/akaike-information-criterion
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Adjusted R-squared (R²_adj)Modellevaluation↔ compare
- Bayesian Information Criterion (BIC)Modellevaluation↔ compare
- Mittlere quadratische Abweichung (MSE)Modellevaluation↔ compare
- Bestimmtheitsmaß (R²)Modellevaluation↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →