معیار اطلاعات آکائیکه (AIC)
معیار اطلاعات آکائیکه (AIC) یک معیار نظریه اطلاعات برای انتخاب مدل است که برازش خوب را با پیچیدگی مدل متعادل میکند. AIC که در سال ۱۹۷۴ توسط هیروتوگو آکائیکه معرفی شد، کیفیت نسبی مدلها را برای یک مجموعه داده معین تخمین میزند و برای جلوگیری از بیشبرازش (overfitting) به پارامترهای اضافی جریمه اعمال میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Akaike Information Criterion. ScholarGate. https://scholargate.app/fa/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.
- R² تعدیلشده (R²_adj)ارزیابی مدل↔ compare
- معیار اطلاعات بیزی (BIC)ارزیابی مدل↔ compare
- میانگین مربعات خطا (MSE)ارزیابی مدل↔ compare
- ضریب تعیین (R²)ارزیابی مدل↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →