Akaike informācijas kritērijs (AIC)
Akaike informācijas kritērijs ir informācijas teorētiska mērvienība modeļu izvēlei, kas līdzsvaro atbilstības kvalitāti pret modeļa sarežģītību. Hirotugu Akaike 1974. gadā ieviestais AIC novērtē relatīvo modeļu kvalitāti noteiktam datu kopumam, piemērojot sodu par papildu parametriem, lai novērstu pārpietiekšanu.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Akaike Information Criterion. ScholarGate. https://scholargate.app/lv/model-evaluation/akaike-information-criterion
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Koriģētais noteikšanas koeficients (R²_adj)Modeļu novērtēšana↔ salīdzināt
- Bayesian Information Criterion (BIC)Modeļu novērtēšana↔ salīdzināt
- Vidējā kvadrātiskā kļūda (MSE)Modeļu novērtēšana↔ salīdzināt
- R kvadrāts (R²)Modeļu novērtēšana↔ salīdzināt
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →