AIC 與 BIC 互動視覺化

-2ln(L) (擬合誤差)
AIC 曲線
BIC 曲線

💡 觀察重點：

📊 AIC vs BIC
面向AICBIC
目的預測表現最佳找真實模型(較保守)
懲罰2kk·ln(n)
對複雜度懲罰較輕樣本大時懲罰更重
傾向選較複雜模型選較簡單模型
✅ 自我檢測
AIC 和 BIC 是什麼？
都是「模型選擇準則」:用配適度加上對參數量的懲罰,在準與簡之間取捨,值越小越好。
AIC 和 BIC 差在哪？
懲罰項不同:AIC=2k、BIC=k·ln(n)。樣本 n 大時 BIC 懲罰更重、更偏好簡單模型;AIC 較偏預測、易選複雜。
該用哪一個？
重預測用 AIC;想找精簡／真實模型用 BIC。兩者都只在「同資料、可比模型」間比較。
🎯 重點整理
  1. AIC／BIC=配適度＋參數懲罰,越小越好。
  2. AIC 懲罰 2k、BIC 懲罰 k·ln(n)。
  3. 樣本大時 BIC 更偏簡單模型。
  4. 重預測用 AIC、重精簡用 BIC。
  5. 只在同資料下比較才有意義。

📝 iPAS 考點提醒

AIC 與 BIC 是模型選擇準則,iPAS 中級科目三考點。重點:在擬合好與模型簡單間取捨,用一個分數同時獎勵概似、懲罰參數量,越小越好。易混點:BIC 對複雜度懲罰更重(樣本越多越重)、傾向選更簡單的模型;AIC 較重預測。重預測用 AIC、重找真模型用 BIC。情境:只能比較同一份資料上的模型,值本身無絕對意義、只看相對大小。

想練情境題與詳解 → AI 學習與考證地圖

❓ 常見問題

AIC 和 BIC 是什麼？

模型選擇準則；在擬合好與模型簡單間取捨，用一個分數同時獎勵概似、懲罰參數量，數值越小越好。

兩者怎麼算(概念)？

都等於負的對數概似加上複雜度懲罰；AIC 懲罰是 2k、BIC 是 k 乘以 ln(n)(k 為參數數、n 為樣本數)。

AIC 和 BIC 差在哪？

BIC 對複雜度懲罰更重(樣本越多越重)，傾向選更簡單的模型；AIC 較重預測、可能選較複雜的模型。

該用哪一個？

看目的：重預測準度、怕欠擬合用 AIC；重找真模型、怕過擬合、樣本大用 BIC。常兩者並看。

用 AIC 或 BIC 要注意什麼？

只能比較同一份資料上的模型、值本身無絕對意義(只看相對大小)；且應與交叉驗證等方法相互印證。

🧭 相關主題

GMMMAE、MSE、RMSE、R²準確率、F1、Log Loss準確率、OOB誤差、特徵重要性準確率、AUC-ROC、Log Loss準確率、邊界間距
← 返回 AI 學習與考證地圖