Κριτήριο Πληροφορίας Akaike (AIC)
Το Κριτήριο Πληροφορίας Akaike είναι ένα μέτρο επιλογής μοντέλου βασισμένο στη θεωρία πληροφορίας, το οποίο εξισορροπεί την προσαρμογή του μοντέλου με την πολυπλοκότητά του. Εισήχθη από τον Hirotugu Akaike το 1974 και εκτιμά τη σχετική ποιότητα των μοντέλων για ένα δεδομένο σύνολο δεδομένων, επιβάλλοντας ποινή για πρόσθετες παραμέτρους ώστε να αποτρέψει την υπερπροσαρμογή.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Χάρτης μεθόδων
Η γειτονιά των σχετιζόμενων μεθόδων — επιλέξτε έναν κόμβο για εξερεύνηση.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Akaike Information Criterion. ScholarGate. https://scholargate.app/el/model-evaluation/akaike-information-criterion
Ποια μέθοδος;
Τοποθετήστε αυτή τη μέθοδο δίπλα στις πιο συγγενείς της και διαβάστε τις παράλληλα — η βιβλιοθήκη απλώνει τα βιβλία στο τραπέζι· η επιλογή είναι δική σας.
- Προσαρμοσμένο R-τετράγωνο (R²_adj)Αξιολόγηση Μοντέλων↔ σύγκριση
- Κριτήριο Πληροφορίας Bayes (BIC)Αξιολόγηση Μοντέλων↔ σύγκριση
- Μέσο Τετραγωνικό Σφάλμα (MSE)Αξιολόγηση Μοντέλων↔ σύγκριση
- Συντελεστής προσδιορισμού (R²)Αξιολόγηση Μοντέλων↔ σύγκριση
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →