Akaike Informatiecriterium (AIC)
Het Akaike Informatiecriterium is een informatietheoretische maatstaf voor modelselectie die de 'goodness of fit' balanceert tegen de modelcomplexiteit. Geïntroduceerd door Hirotugu Akaike in 1974, schat AIC de relatieve kwaliteit van modellen voor een gegeven dataset, waarbij extra parameters worden bestraft om overfitting te voorkomen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Akaike Information Criterion. ScholarGate. https://scholargate.app/nl/model-evaluation/akaike-information-criterion
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- Gecorrigeerde R² (R²_adj)Modelevaluatie↔ vergelijken
- Bayesiaans Informatiecriterium (BIC)Modelevaluatie↔ vergelijken
- Gemiddelde Kwadratische Fout (MSE)Modelevaluatie↔ vergelijken
- R-kwadraat (R²)Modelevaluatie↔ vergelijken
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →