Информационный критерий Акайке (AIC) обеспечивает меру качества модели, полученную путем симуляции ситуации, когда модель тестируется на другом наборе данных. После вычисления нескольких различных моделей можно сравнить их с помощью этого критерия. Согласно теории Акайке, самая точная модель имеет наименьший АПК. Если вы используете один и тот же набор данных для оценки модели и валидации, подгонка всегда улучшается, когда вы увеличиваете порядок модели и, следовательно, гибкость структуры модели.
Информационный критерий Akaike (AIC) включает следующие метрики качества:
Raw AIC, заданный как:
где:
N - количество значений в наборе данных оценки
ε (t) является вектором ny -на 1 ошибок предсказания
представляет предполагаемые параметры
np - количество предполагаемых параметров
ny - количество выходов модели
Малый корректируемый AIC размера выборки, определяемый как:
Нормализованный АПК, заданный как:
Байесовские информационные критерии, определяемые как: