เปรียบเทียบวิธี

	เกณฑ์ข้อมูลอาคาอิเกะ (Akaike Information Criterion - AIC)	ค่าคลาดเคลื่อนกำลังสองเฉลี่ย (Mean Squared Error: MSE)
สาขาวิชา	การประเมินแบบจำลอง	การประเมินแบบจำลอง
ตระกูล	MCDM	MCDM
ปีกำเนิด	1974	1809
ผู้ริเริ่ม	Hirotugu Akaike	Carl Friedrich Gauss
ประเภท	Model selection metric	Squared-error loss function
แหล่งต้นตำรับ	Akaike, H. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control, 19(6), 716-723.	Gauss, C. F. (1809). Theoria Motus Corporum Coelestium in Sectionibus Conicis Solem Ambientium. Hamburg: Perthes and Besser.
ชื่อเรียกอื่น	AIC	MSE, L2 error, quadratic error
ที่เกี่ยวข้อง	4	4
สรุป	The Akaike Information Criterion is an information-theoretic measure for model selection that balances goodness of fit against model complexity. Introduced by Hirotugu Akaike in 1974, AIC estimates the relative quality of models for a given dataset, penalizing additional parameters to prevent overfitting.	Mean Squared Error is the foundational loss function for regression models, measuring the average squared deviation between predictions and observations. Originating from Gauss and Legendre's method of least squares (1805-1809), MSE is the basis for ordinary least squares regression and remains central to modern machine learning optimization.