Akaikov informačný kritérium (AIC)
Akaikov informačný kritérium (AIC) je informačno-teoretická miera na výber modelu, ktorá vyvažuje kvalitu prispôsobenia modelu (goodness of fit) so zložitosťou modelu. Akaikov kritérium, ktoré predstavil Hirotugu Akaike v roku 1974, odhaduje kvalitu predikcie mimo vzorky a minimalizácia AIC asymptoticky maximalizuje pravdepodobnosť z neznámych budúcich pozorovaní.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Mapa metód
Okolie príbuzných metód — vyberte uzol na preskúmanie.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Akaike Information Criterion. ScholarGate. https://scholargate.app/sk/model-evaluation/akaike-information-criterion
Ktorá metóda?
Postavte túto metódu vedľa jej najbližších príbuzných a čítajte ich vedľa seba — knižnica vám knihy položí na stôl; voľba je na vás.
- Upravený koeficient determinácie (R²_adj)Hodnotenie modelov↔ porovnať
- Bayesovské informačné kritérium (BIC)Hodnotenie modelov↔ porovnať
- Stredná kvadratická chyba (MSE)Hodnotenie modelov↔ porovnať
- Koeficient determinácie (R²)Hodnotenie modelov↔ porovnať
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →