Het Bayesiaans informatiecriterium (BIC) is een criterium voor modelselectie uit een eindige reeks modellen. Het is gedeeltelijk gebaseerd op de waarschijnlijkheidsfunctie, en is nauw verwant aan het Akaike-informatiecriterium (AIC).
Bij het fitten van modellen is het mogelijk de waarschijnlijkheid te vergroten door parameters toe te voegen, maar dit kan resulteren in overfitting. De BIC lost dit probleem op door een strafterm in te voeren voor het aantal parameters in het model. De strafterm is bij BIC groter dan bij AIC.
BIC wordt veel gebruikt voor modelidentificatie in tijdreeksen en lineaire regressie. Het kan echter vrij algemeen worden toegepast op elke reeks van op maximale waarschijnlijkheid gebaseerde modellen.
Mathematisch kan BIC worden gedefinieerd als-
Toepassing &Interpretatie:
De modellen kunnen worden getest met behulp van de bijbehorende BIC-waarden. Een lagere BIC-waarde wijst op lagere straftermen en dus op een beter model.
Lees ook AIC-statistieken.
Hoewel deze twee maatstaven vanuit een verschillend perspectief worden afgeleid, zijn zij nauw verwant. Blijkbaar is het enige verschil dat BIC het aantal waarnemingen in de formule beschouwt, wat AIC niet doet.
Hoewel BIC altijd hoger is dan AIC, lager de waarde van deze twee maten, beter het model.
Praktijk Dataset:
Bezoek onze Data science en analytics platform, Analyttica TreasureHunt om te oefenen op echte datasets.
Ook, lees het volgende:
Concordance Check.
Kernel Filter.
k-Means Clustering.