Critério de Informação de Akaike (AIC)
O Critério de Informação de Akaike (AIC) é uma medida informacional para seleção de modelos que equilibra a qualidade do ajuste com a complexidade do modelo. Introduzido por Hirotugu Akaike em 1974, o AIC estima a qualidade relativa de modelos para um determinado conjunto de dados, penalizando parâmetros adicionais para evitar *overfitting*.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Mapa de métodos
A vizinhança de métodos relacionados — selecione um nó para explorar.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Akaike Information Criterion. ScholarGate. https://scholargate.app/pt/model-evaluation/akaike-information-criterion
Qual método?
Coloque este método ao lado dos seus pares mais próximos e leia-os lado a lado — a biblioteca dispõe os livros sobre a mesa; a escolha é sua.
- R-quadrado ajustado (R²_adj)Avaliação de modelos↔ comparar
- Critério de Informação Bayesiano (BIC)Avaliação de modelos↔ comparar
- Erro Quadrático Médio (EQM)Avaliação de modelos↔ comparar
- R-quadrado (R²)Avaliação de modelos↔ comparar
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →