Kryterium informacyjne Akaikego (AIC)
Kryterium informacyjne Akaikego (AIC) jest miarą teoretyczno-informacyjną służącą do wyboru modelu, która równoważy trafność dopasowania z jego złożonością. Wprowadzone przez Hirotugu Akaike w 1974 roku, AIC szacuje względną jakość modeli dla danego zbioru danych, nakładając karę za dodatkowe parametry w celu zapobiegania przeuczeniu.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Mapa metod
Sąsiedztwo pokrewnych metod — wybierz węzeł, aby je zgłębić.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Akaike Information Criterion. ScholarGate. https://scholargate.app/pl/model-evaluation/akaike-information-criterion
Która metoda?
Zestaw tę metodę z najbliższymi jej krewnymi i czytaj je obok siebie — biblioteka kładzie księgi na stole; wybór należy do Ciebie.
- Skory R-kwadrat (R²_skorygowany)Ocena modeli↔ porównaj
- Bayesowskie Kryterium Informacyjne (BIC)Ocena modeli↔ porównaj
- Średni błąd kwadratowy (MSE)Ocena modeli↔ porównaj
- Współczynnik determinacji (R²)Ocena modeli↔ porównaj
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →