Akaike Bilgi Kriteri (AIC)
Akaike Information Criterion · Ayrıca şöyle bilinir: AIC
Akaike Bilgi Kriteri, uyumun iyiliğini model karmaşıklığına karşı dengeleyen, model seçimi için bilgi-teorik bir ölçüttür. Hirotugu Akaike tarafından 1974 yılında tanıtılan AIC, belirli bir veri kümesi için modellerin göreceli kalitesini tahmin eder ve aşırı uyumu önlemek amacıyla ek parametreleri cezalandırır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Birden çok aday modeli aynı veri kümesine uydurarak karşılaştırırken AIC'yi kullanın. Özellikle regresyon, zaman serisi ve karma etkili bağlamlarda model seçimi için değerlidir. AIC, gerçek modelin aday kümesinde olduğunu varsayar ve iç içe geçmemiş modelleri karşılaştırmak için en faydalıdır. Çok büyük örneklem boyutları için 2k cezası çok esnek olabilir; bunun yerine BIC'yi düşünün. AIC, uyuma odaklı değil, tahmine odaklıdır.
Güçlü yönler & sınırlılıklar
- Bilgi-teorik temel: örneklem dışı tahminin göreceli kalitesini tahmin eder
- İç içe geçmemiş modellerle çalışır: farklı model yapıları arasında doğrudan karşılaştırılabilir
- Karmaşıklığı cezalandırarak aşırı uyumu önler
- Maksimum olabilirlik tahmin çerçevesiyle tutarlıdır
- Yalnızca göreceli değerler önemlidir; mutlak AIC yorumlanamaz
- Gözlemlerin bağımsız olduğunu varsayar; zaman serisi otokorelasyonu ile ihlal edilir
- Tam olabilirlik belirtimi gerektirir; tüm model türleri için geçerli değildir
- Büyük örneklemlerde karmaşık modellere doğru yanlılık; 2k cezası sabit kalır
SSS
AIC farkı kaç puan anlamlıdır?
Kaba bir kılavuz olarak: delta AIC < 2 ihmal edilebilir bir farkı gösterir, 4-7 daha yüksek AIC modeline daha az destek olduğunu gösterir, > 10 çok az destek olduğunu gösterir. Ancak bağlam önemlidir; AIC sıralamalarına ek olarak her zaman alan bilgisini kullanın.
AIC mi yoksa BIC mi kullanmalıyım?
AIC tahmine odaklıdır; BIC açıklamaya odaklıdır. AIC daha karmaşık modelleri seçme eğilimindedir (örneklem boyutu arttıkça, ceza 2k kalır), oysa BIC cezası n log(n) ile büyür. Tahmin için AIC'yi, gerçek model yapısını anlamak için BIC'yi kullanın.
Zaman serisi verileriyle AIC kullanabilir miyim?
Dikkatle. AIC bağımsızlığı varsayar; zaman serisi verileri bunu ihlal eder. Bazı zaman serisi modelleri (ARIMA, GARCH) uygun olabilirlikler sağladığından AIC geçerlidir. Ancak, otokorelasyonlu artıklar AIC karşılaştırmalarını yanlı hale getirebilir.
Sabit k için AIC'nin örneklem boyutuyla neden arttığı?
n büyüdükçe, olabilirlik büyüklüğü değişir (daha fazla gözlem, daha büyük çarpım). Bu beklenir; veri kümeleri arasındaki AIC değerleri karşılaştırılabilir değildir. Yalnızca aynı veri kümesi içinde AIC'yi karşılaştırın.
AIC çapraz doğrulamayla nasıl ilişkilidir?
Her ikisi de örneklem dışı tahmin hatasını tahmin eder. AIC daha hızlıdır (yeniden uydurmaya gerek yoktur), ancak çapraz doğrulama daha doğrudandır ve daha az varsayım gerektirir. Kritik kararlar için her iki yöntemi de kullanın.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Akaike Information Criterion. ScholarGate. https://scholargate.app/tr/model-evaluation/akaike-information-criterion
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Düzeltilmiş R-kare (R²_adj)Model değerlendirme↔ karşılaştır
- Bayes Bilgi Ölçütü (BIC)Model değerlendirme↔ karşılaştır
- Ortalama Karesel Hata (MSE)Model değerlendirme↔ karşılaştır
- Belirlilik katsayısı (R²)Model değerlendirme↔ karşılaştır