Информационный критерий Акаике (AIC)
Информационный критерий Акаике (AIC) — это информационно-теоретическая мера для выбора модели, которая уравновешивает качество подгонки и сложность модели. Введенный Хироцугу Акаике в 1974 году, AIC оценивает относительное качество моделей для данного набора данных, налагая штраф за дополнительные параметры для предотвращения переобучения.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Карта метода
Окружение родственных методов — выберите узел, чтобы перейти к нему.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Akaike Information Criterion. ScholarGate. https://scholargate.app/ru/model-evaluation/akaike-information-criterion
Какой метод?
Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.
- Скорректированный коэффициент детерминации (R²_adj)Оценка моделей↔ сравнить
- Байесовский информационный критерий (BIC)Оценка моделей↔ сравнить
- Среднеквадратичная ошибка (MSE)Оценка моделей↔ сравнить
- Коэффициент детерминации (R²)Оценка моделей↔ сравнить
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →