Criteriul de Informație Akaike (AIC)
Criteriul de Informație Akaike este o măsură informațional-teoretică pentru selecția de modele care echilibrează potrivirea (goodness of fit) cu complexitatea modelului. Introdus de Hirotugu Akaike în 1974, AIC estimează calitatea relativă a modelelor pentru un anumit set de date, penalizând parametrii suplimentari pentru a preveni supra-ajustarea (overfitting).
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Harta metodelor
Vecinătatea metodelor înrudite — selectați un nod pentru a explora.
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Akaike Information Criterion. ScholarGate. https://scholargate.app/ro/model-evaluation/akaike-information-criterion
Ce metodă?
Așezați această metodă lângă cele mai apropiate rude și citiți-le alăturat — biblioteca pune cărțile pe masă; alegerea vă aparține.
- R-pătrat ajustat (R²_adj)Evaluarea modelelor↔ compară
- Criteriul Bayesian de Informație (BIC)Evaluarea modelelor↔ compară
- Eroare Pătratică Medie (MSE)Evaluarea modelelor↔ compară
- R-pătrat (R²)Evaluarea modelelor↔ compară
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →