Semasa menyelesaikan kajian kes, penyelidik menemui banyak peramal, kemungkinan dan interaksi. Itu menjadikannya rumit untuk memilih model. Dengan bantuan kriteria yang berbeza untuk pemilihan model, mereka boleh menyelesaikan masalah tersebut dan menganggarkan ketepatannya.
AIC dan BIC ialah dua proses kriteria sedemikian untuk menilai model. Ia terdiri daripada penentu terpilih untuk pengagregatan pembolehubah yang dipertimbangkan. Pada tahun 2002, Burnham dan Anderson melakukan kajian penyelidikan ke atas kedua-dua kriteria tersebut.
AIC lwn BIC
Perbezaan Antara AIC dan BIC ialah pemilihan model mereka. Mereka ditentukan untuk kegunaan tertentu dan boleh memberikan hasil yang membezakan. AIC mempunyai dimensi tak terhingga dan agak tinggi.
AIC menghasilkan ciri yang kompleks, manakala BIC mempunyai dimensi yang lebih terhingga dan atribut yang konsisten. Yang pertama adalah lebih baik untuk penemuan negatif, dan yang kedua digunakan untuk positif.
Jadual Perbandingan Antara AIC dan BIC
| Parameter Perbandingan | AIC | BIC |
| Borang Penuh | Bentuk penuh AIC ialah Kriteria Maklumat Akaike. | Bentuk penuh BIC ialah Kriteria Maklumat Bayesian. |
| Definisi | Penilaian selang yang berterusan dan sepadan antara kebarangkalian fakta yang tidak ditentukan, tepat dan wajar, dipanggil Kriteria Maklumat Akaike atau AIC. | Di bawah struktur Bayesian tertentu, penilaian tepat tentang tujuan kemungkinan mengikuti model dipanggil Kriteria Maklumat Bayesian atau BIC. |
| Formula | Untuk mengira kriteria maklumat Akaike, formulanya ialah: AIC = 2k – 2ln(L^) | Untuk mengira kriteria maklumat Bayesian, formulanya ialah: BIC = k ln(n) – 2ln(L^) |
| Pemilihan Model | Untuk hasil negatif palsu, AIC dipilih dalam model. | Untuk hasil positif palsu, BIC dipilih dalam model. |
| Dimensi | Dimensi AIC adalah tidak terhingga dan agak tinggi. | Dimensi BIC adalah terhingga dan lebih rendah daripada dimensi AIC. |
| Tempoh Penalti | Syarat penalti lebih kecil di sini. | Syarat penalti lebih besar di sini. |
| Kebarangkalian | Untuk memilih model sebenar dalam AIC, kebarangkalian hendaklah kurang daripada 1. | Untuk memilih model sebenar dalam BIC, kebarangkalian harus tepat pada 1. |
| Keputusan | Di sini, keputusan tidak dapat diramalkan dan rumit daripada BIC. | Di sini, keputusan adalah konsisten dan lebih mudah daripada AIC. |
| Andaian | Dengan bantuan andaian, AIC boleh mengira liputan yang paling optimum. | Dengan bantuan andaian, BIC boleh mengira liputan yang kurang optimum daripada AIC. |
| risiko | Risiko diminimumkan dengan AIC, kerana n adalah lebih besar daripada k2. | Risiko dimaksimumkan dengan BIC, kerana n adalah terhingga. |
Apakah AIC?
Model ini pertama kali diumumkan oleh ahli statistik 'Hirotugu Akaike' pada tahun 1971. Dan kertas rasmi pertama diterbitkan oleh Akaike pada tahun 1974 dan menerima lebih daripada 14, 000 petikan.
Kriteria Maklumat Akaike (AIC) ialah penilaian berterusan sebagai tambahan kepada selang yang sepadan antara kebarangkalian fakta yang tidak ditentukan, tepat dan wajar. Ia adalah tujuan kebarangkalian bersepadu model. Supaya AIC yang lebih rendah bermakna model dianggarkan lebih serupa dengan ketepatan. Untuk kesimpulan palsu-negatif, ia berguna.
Untuk mencapai model benar memerlukan kebarangkalian kurang daripada 1. Dimensi AIC adalah tidak terhingga dan bilangannya agak tinggi. Kerana itu ia memberikan hasil yang tidak dapat diramalkan dan rumit. Ia memberikan liputan andaian yang paling optimum. Syarat penaltinya lebih kecil. Ramai penyelidik percaya ia mendapat manfaat dengan risiko minimum sambil menganggap. Kerana di sini, n lebih besar daripada k2.
Pengiraan AIC dilakukan dengan formula berikut:
Apakah BIC?
Kriteria Maklumat Bayesian (BIC) ialah penilaian tujuan kemungkinan, mengikut model adalah tepat, di bawah struktur Bayesian tertentu. Jadi BIC yang lebih rendah bermakna bahawa model diakui akan terus dijangkakan sebagai model yang tepat.
Teori ini dibangunkan dan diterbitkan oleh Gideon E. Schwarz pada tahun 1978. Juga, ia dikenali sebagai Kriteria Maklumat Schwarz, tidak lama lagi SIC, SBIC, atau SBC. Untuk mencapai model benar, ia memerlukan kebarangkalian tepat 1. Untuk hasil positif palsu, ia berguna.
Syarat penalti adalah besar. Dimensinya adalah terhad yang memberikan hasil yang konsisten dan mudah. Para saintis mengatakan bahawa liputan optimumnya adalah kurang daripada AIC untuk andaian. Itu malah turut menjadi pengambilan risiko maksimum. Kerana di sini, n boleh ditakrifkan.
Pengiraan BIC dilakukan dengan formula berikut:
‘Kriteria Jambatan’ atau BC, telah dibangunkan oleh Jie Ding, Vahid Tarokh, dan Yuhong Yang. Penerbitan kriteria tersebut adalah pada 20 Jun 2017 dalam Transaksi IEEE mengenai Teori Maklumat. Motifnya adalah untuk merapatkan jurang asas antara modul AIC dan BIC.
Perbezaan Utama Antara AIC dan BIC
Kesimpulan
AIC dan BIC kedua-duanya hampir tepat bergantung pada pelbagai objektif mereka dan koleksi spekulasi asimptotik yang berbeza. Kedua-dua kumpulan anggapan telah tidak diluluskan sebagai tidak boleh dilaksanakan. Kedinamikan bagi setiap alfa yang diedarkan meningkat dalam ‘n.’ Oleh itu, model AIC lazimnya mempunyai prospek untuk memilih model tinggi yang sama, walaupun n. BIC mempunyai ketidakpastian yang terlalu terhad untuk mengumpul model yang ketara jika n adalah mencukupi. Walaupun, ia mempunyai kemungkinan besar daripada AIC, untuk semua yang dibentangkan n, untuk memilih selain model pendek.
Menyedari variasi dalam realisasi operasi mereka adalah yang paling biasa jika fakta sederhana menganalisis dua model berkorelasi diakui. Kaedah yang paling boleh dipercayai untuk menggunakan kedua-duanya adalah serentak dalam julat model. Untuk keputusan negatif palsu, AIC lebih bermanfaat. Sebaliknya, BIC adalah lebih baik untuk positif palsu. Akhir-akhir ini, 'Kriteria Jambatan' telah dibentuk, untuk merapatkan blok penting antara modul AIC dan BIC. Yang sebelumnya digunakan untuk keputusan negatif dan yang berikut untuk yang positif.
Rujukan
Artikel ini telah ditulis oleh: Supriya Kandekar
