Bayesovo informační kritérium (BIC) je kritérium pro výběr modelu z konečného souboru modelů. Je částečně založeno na věrohodnostní funkci a úzce souvisí s Akaikeho informačním kritériem (AIC).
Při fitování modelů je možné zvýšit věrohodnost přidáním parametrů, což však může vést k nadměrnému fitování. BIC tento problém řeší zavedením sankčního členu za počet parametrů v modelu. Tento sankční člen je u BIC větší než u AIC.
BIC se široce používá pro identifikaci modelu v časových řadách a lineární regresi. Lze ji však poměrně široce použít na jakýkoli soubor modelů založených na maximální věrohodnosti.
Matematicky lze BIC definovat jako-
Použití & Výklad:
Modely lze testovat pomocí odpovídajících hodnot BIC. Nižší hodnota BIC znamená nižší sankční členy, tedy lepší model.
Přečtěte si také statistiku AIC.
Ačkoli jsou tyto dvě míry odvozeny z jiného hlediska, úzce spolu souvisejí. Zřejmě jediný rozdíl je v tom, že BIC zohledňuje počet pozorování ve vzorci, což AIC nezohledňuje.
Ačkoli je BIC vždy vyšší než AIC, nižší hodnota těchto dvou měr znamená lepší model.
Praktická datová sada:
Navštivte naši platformu pro datovou vědu a analytiku Analyttica TreasureHunt a procvičte si práci na reálných datových sadách.
Také si přečtěte následující:
Kontrola shody.
Jádrový filtr.
k-Means shlukování.
Podrobněji se seznámíte s následujícími informacemi.