Forskel mellem AIC og BIC Forskellen mellem
AIC og BIC anvendes meget i modelvalgskriterier. AIC betyder Akaike's Information Criteria og BIC betyder Bayesian Information Criteria. Skønt disse to vilkår vedrører modelvalg, er de ikke det samme. Man kan komme på tværs af forskellen mellem de to metoder til modelvalg.
Akaikes informationskriterier blev dannet i 1973 og Bayesian Information Criteria i 1978. Hirotsugu Akaike udviklede Akaikes informationskriterier, mens Gideon E. Schwarz udviklede Bayesian informationskriterium.
AIC kan betegnes som et mesaur af godhedsskikket af enhver estimeret statistisk model. BIC er en type modelvalg blandt en klasse af parametriske modeller med forskellige parametre.
Ved sammenligning af de bayesiske informationskriterier og Akaikes informationskriterier er straffen for yderligere parametre mere i BIC end AIC. I modsætning til AIC, straffer BIC friparametrene stærkere.
Akaikes Informationskriterier forsøger generelt at finde ukendt model, der har en højdimensionel virkelighed. Det betyder, at modellerne ikke er ægte modeller i AIC. På den anden side kommer de bayesiske informationskriterier kun på tværs af ægte modeller. Det kan også siges, at Bayesian Information Criteria er konsekvent, mens Akaikes informationskriterier ikke er det.
Når Akaikes informationskriterier frembyder den fare, den vil udstyre. De bayesiske informationskriterier vil udgøre den fare, den vil undergrave. Selvom BIC er mere tolerant sammenlignet med AIC, viser den mindre tolerance ved højere tal.
Akaikes Informationskriterier er gode til at gøre asymptotisk ækvivalent til krydsvalidering. Tværtimod er de bayesiske informationskriterier godt for konsekvent skøn.
Oversigt
1. AIC betyder Akaike's Information Criteria og BIC betyder Bayesian Information Criteria.
2. Akaikes informationskriterier blev dannet i 1973 og Bayesian Information Criteria i 1978.
3. Ved sammenligning af Bayesian Information Criteria og Akaike's Information Criteria er straf for yderligere parametre mere i BIC end AIC.
4. Akaikes informationskriterier forsøger generelt at finde ukendt model, der har en højdimensionel virkelighed. På den anden side kommer de bayesiske informationskriterier kun på tværs af ægte modeller.
5. Bayesian Information Criteria er konsekvent, mens Akaikes informationskriterier ikke er det.
6. Akaikes informationskriterier er gode til at gøre asymptotisk ækvivalent med krydsvalidering. Tværtimod er de bayesiske informationskriterier godt for konsekvent skøn.
7. Selvom BIC er mere tolerant sammenlignet med AIC, viser den mindre tolerance ved højere tal.
8. I modsætning til AIC, straffer BIC friparametrene stærkere.
- top iFrame -> - nederste iFrame ->//
