Akaike informationskriterium (AIC)
Akaike informationskriterium är ett informations-teoretiskt mått för modellurval som balanserar god anpassning mot modellkomplexitet. AIC, som introducerades av Hirotugu Akaike 1974, estimerar den relativa kvaliteten hos modeller för en given datamängd och bestraffar ytterligare parametrar för att förhindra överanpassning.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Akaike Information Criterion. ScholarGate. https://scholargate.app/sv/model-evaluation/akaike-information-criterion
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- Justerat R-kvadrat (R²_adj)Modellutvärdering↔ jämför
- Bayesianskt informationskriterium (BIC)Modellutvärdering↔ jämför
- Medelkvadratfel (MSE)Modellutvärdering↔ jämför
- R-kvadrat (R²)Modellutvärdering↔ jämför
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →