AIC и BIC се използват широко при критерии за избор на модел. AIC означава критерии за информация на Akaike, а BIC означава Bayesian информационни критерии. Въпреки че тези два термина адресират избор на модел, те не са еднакви. Може да се натъкнете на разликата между двата подхода за избор на модел.

Информационните критерии на Akaike са формирани през 1973 г., а Bayesian информационни критерии през 1978 г. Hirotsugu Akaike разработва информационни критерии на Akaike, докато Gideon E. Schwarz разработва информационен критерий на Bayes.

AIC може да се обозначи като задоволяване на доброто съответствие на всеки прогнозен статистически модел. BIC е вид избор на модел сред клас параметрични модели с различен брой параметри.

Когато сравняваме Байесовите критерии за информация и критериите за информация на Akaike, наказанието за допълнителни параметри е повече в BIC, отколкото AIC. За разлика от AIC, BIC санкционира безплатни параметри по-силно.

Информационните критерии на Akaike като цяло се опитват да намерят непознат модел, който има реалност с големи измерения. Това означава, че моделите не са истински модели в AIC. От друга страна, Байесовите критерии за информация се натъкват само на верни модели. Може също да се каже, че Байесовските критерии за информация са последователни, докато информационните критерии на Akaike не са така.

Когато информационните критерии на Akaike ще представляват опасност, която би могла да се използва. Байесовите информационни критерии ще представляват опасността, която биха били в полза. Въпреки че BIC е по-толерантен в сравнение с AIC, той показва по-малка поносимост при по-голям брой.

Информационните критерии на Akaike са добри, за да направят асимптотично еквивалентни на кръстосаното валидиране. Напротив, Байесовите критерии за информация са добри за последователна оценка.

резюме

1. AIC означава критерии за информация на Akaike, а BIC означава Bayesian информационни критерии.

2. Информационните критерии на Akaike са формирани през 1973 г., а Байесовите информационни критерии през 1978 г.

3. Когато сравняваме Байесовите информационни критерии и информационните критерии на Akaike, наказанието за допълнителни параметри е повече в BIC, отколкото AIC.

4. Критериите за информация на Akaike обикновено се опитват да намерят непознат модел, който има реална реалност. От друга страна, Байесовите критерии за информация се натъкват само на верни модели.

5. Байесовите информационни критерии са последователни, докато информационните критерии на Akaike не са така.

6. Информационните критерии на Akaike са добри за асимптотично равностойност на кръстосаното валидиране. Напротив, Байесовите критерии за информация са добри за последователна оценка.

7. Въпреки че BIC е по-толерантен в сравнение с AIC, той показва по-малка толерантност при по-големи числа.

8. За разлика от AIC, BIC санкционира безплатни параметри по-силно.

//

Препратки