เปรียบเทียบวิธี

	ค่าคลาดเคลื่อนกำลังสองเฉลี่ย (Mean Squared Error: MSE)	เกณฑ์ข้อมูลอาคาอิเกะ (Akaike Information Criterion - AIC)
สาขาวิชา	การประเมินแบบจำลอง	การประเมินแบบจำลอง
ตระกูล	MCDM	MCDM
ปีกำเนิด	1809	1974
ผู้ริเริ่ม	Carl Friedrich Gauss	Hirotugu Akaike
ประเภท	Squared-error loss function	Model selection metric
แหล่งต้นตำรับ	Gauss, C. F. (1809). Theoria Motus Corporum Coelestium in Sectionibus Conicis Solem Ambientium. Hamburg: Perthes and Besser.	Akaike, H. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control, 19(6), 716-723.
ชื่อเรียกอื่น	MSE, L2 error, quadratic error	AIC
ที่เกี่ยวข้อง	4	4
สรุป	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.	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.