Akaike informasjonkriterium (AIC)
Akaike informasjonkriterium er et informasjonsteoretisk mål for modellseleksjon som balanserer tilpasningsdyktighet mot modellkompleksitet. Introdusert av Hirotugu Akaike i 1974, estimerer AIC den relative kvaliteten av modeller for et gitt datasett, og straffer ekstra parametere for å forhindre overtilpasning.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Akaike Information Criterion. ScholarGate. https://scholargate.app/no/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.
- Justert R² (R²_adj)Modellevaluering↔ compare
- Bayesiansk informasjonskriterium (BIC)Modellevaluering↔ compare
- Middelskvadrert feil (MSE)Modellevaluering↔ compare
- R-kvadrat (R²)Modellevaluering↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →