Akaike-féle információs kritérium (AIC)
Az Akaike-féle információs kritérium egy információelméleti modellválasztási mérőszám, amely a modell illeszkedésének jóságát és a modell komplexitását egyensúlyozza. Hirotugu Akaike vezette be 1974-ben, és az AIC egy adott adathalmazra vonatkozó modellek relatív minőségét becsüli, büntetve a további paramétereket a túltanulás (overfitting) megelőzése érdekében.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Módszertérkép
A rokon módszerek környezete — válasszon ki egy csomópontot a felfedezéshez.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Akaike Information Criterion. ScholarGate. https://scholargate.app/hu/model-evaluation/akaike-information-criterion
Melyik módszer?
Állítsa e módszert a hozzá legközelebb álló rokonai mellé, és olvassa őket egymás mellett — a könyvtár az asztalra teszi a könyveket; a választás az Öné.
- Korrigált R-négyzet (R²_adj)Modellértékelés↔ összehasonlítás
- Bayes-információs kritérium (BIC)Modellértékelés↔ összehasonlítás
- A négyzetes hiba (Mean Squared Error, MSE)Modellértékelés↔ összehasonlítás
- R-négyzet (R²)Modellértékelés↔ összehasonlítás
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →