Байесовский информационный критерий (BIC)
Байесовский информационный критерий — это информационно-теоретический критерий выбора модели, который аппроксимирует байесовское сравнение моделей. Введенный Гидеоном Шварцем в 1978 году, BIC наказывает сложность модели сильнее, чем AIC, используя штраф, зависящий от размера выборки, что делает его особенно подходящим для идентификации истинной базовой структуры модели.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- Schwarz, G. (1978). Estimating the dimension of a model. Annals of Statistics, 6(2), 461-464. DOI: 10.1214/aos/1176344136 ↗
- 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 ↗
- Kass, R. E., & Raftery, A. E. (1995). Bayes factors. Journal of the American Statistical Association, 90(430), 773-795. DOI: 10.1080/01621459.1995.10476572 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Bayesian Information Criterion. ScholarGate. https://scholargate.app/ru/model-evaluation/bayesian-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.
- Скорректированный коэффициент детерминации (R²_adj)Оценка моделей↔ compare
- Информационный критерий Акаике (AIC)Оценка моделей↔ compare
- Среднеквадратичная ошибка (MSE)Оценка моделей↔ compare
- Коэффициент детерминации (R²)Оценка моделей↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →