Разлика между AIC и BIC

AIC срещу BIC

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 информационните критерии на Akaike, докато Gideon E. Schwarz разработва байесовски критерий за информация.

AIC може да се обозначи като удовлетворение 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 информационни критерии и информационните критерии 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 неизвестен модел, който има реалност с големи измерения. Това означава, че моделите не са истински модели в AIC. От друга страна, Байесовските критерии за информация се срещат само с 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 бъде облечена. 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. Информационните критерии на Akaike като цяло се опитват да намерят неизвестен модел, който има реалност с големи измерения. От друга страна, Байесовските критерии за информация се срещат само с верни модели.

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

6. Информационните критерии на Akaike са добри, за да направят асимптотично еквивалентни 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 по-силно санкционира безплатните параметри.

//