Critère d'information d'Akaike (AIC)
Le Critère d'information d'Akaike est une mesure d'information pour la sélection de modèles qui équilibre la qualité de l'ajustement avec la complexité du modèle. Introduit par Hirotugu Akaike en 1974, l'AIC estime la qualité relative des modèles pour un ensemble de données donné, pénalisant les paramètres supplémentaires pour éviter le surajustement.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Carte des méthodes
Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Akaike Information Criterion. ScholarGate. https://scholargate.app/fr/model-evaluation/akaike-information-criterion
Quelle méthode ?
Placez cette méthode aux côtés de ses plus proches parentes et lisez-les côte à côte — la bibliothèque pose les ouvrages sur la table ; le choix vous revient.
- R-carré ajusté (R²_adj)Évaluation de modèles↔ comparer
- Critère d'information bayésien (BIC)Évaluation de modèles↔ comparer
- Erreur quadratique moyenne (EQM)Évaluation de modèles↔ comparer
- Coefficient de détermination (R²)Évaluation de modèles↔ comparer
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →