MCDMInformation-theoretic criterion
เกณฑ์ข้อมูลอาคาอิเกะ (Akaike Information Criterion - AIC)
เกณฑ์ข้อมูลอาคาอิเกะ (AIC) เป็นมาตรวัดเชิงทฤษฎีสารสนเทศสำหรับการเลือกแบบจำลอง ซึ่งถ่วงดุลระหว่างความสอดคล้องของแบบจำลองกับความซับซ้อนของแบบจำลอง AIC ซึ่งพัฒนาโดย ฮิโรทูงุ อาคาอิเกะ ในปี 1974 เป็นการประมาณคุณภาพสัมพัทธ์ของแบบจำลองสำหรับชุดข้อมูลที่กำหนด โดยลงโทษพารามิเตอร์เพิ่มเติมเพื่อป้องกันการปรับมากเกินไป (overfitting)
อ่านวิธีฉบับเต็ม
สำหรับสมาชิกเท่านั้น
เข้าสู่ระบบเข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Akaike Information Criterion. ScholarGate. https://scholargate.app/th/model-evaluation/akaike-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.
- สัมประสิทธิ์การตัดสินใจที่ปรับปรุงแล้ว (R²_adj)การประเมินแบบจำลอง↔ compare
- เกณฑ์สารสนเทศแบบเบย์ (Bayesian Information Criterion - BIC)การประเมินแบบจำลอง↔ compare
- ค่าคลาดเคลื่อนกำลังสองเฉลี่ย (Mean Squared Error: MSE)การประเมินแบบจำลอง↔ compare
- ค่าสัมประสิทธิ์การตัดสินใจ (R-squared หรือ R²)การประเมินแบบจำลอง↔ compare