ကောင်းသော aic တန်ဖိုးကို အဘယ်အရာက သတ်မှတ်သနည်း။

Akaike Information Criterion (AIC) သည် မတူညီသော ဆုတ်ယုတ်မှုပုံစံများ၏ အံအားသင့်မှုကို နှိုင်းယှဉ်ရန် အသုံးပြုသည့် မက်ထရစ်တစ်ခုဖြစ်သည်။

အောက်ပါအတိုင်း တွက်ချက်သည်။

AIC = 2K – 2 ln (L)

ရွှေ-

• K- မော်ဒယ် ကန့်သတ်ချက်များ အရေအတွက်။
• ln (L) : မော်ဒယ်၏ မှတ်တမ်းဖြစ်နိုင်ခြေ။ ၎င်းသည် ဒေတာပေးထားသော မော်ဒယ်ဖြစ်နိုင်ချေ မည်မျှရှိသည်ကို ပြောပြသည်။

သင်သည် များစွာသော ဆုတ်ယုတ်မှုပုံစံများကို တပ်ဆင်ပြီးသည်နှင့်၊ သင်သည် မော်ဒယ်တစ်ခုစီ၏ AIC တန်ဖိုးကို နှိုင်းယှဉ်နိုင်သည်။ အနိမ့်ဆုံး AIC ရှိသော မော်ဒယ်သည် အကောင်းဆုံး အံဝင်ခွင်ကျ ဖြစ်စေသည်။

AIC နှင့် ပတ်သက်၍ ကျောင်းသားများ မကြာခဏ မေးလေ့ရှိသည့် မေးခွန်းမှာ AIC တန်ဖိုးကို မည်ကဲ့သို့ သတ်မှတ်သနည်း။

ရိုးရှင်းသောအဖြေ- ကျွန်ုပ်တို့သည် AIC ကို ဆုတ်ယုတ်မှုပုံစံများကို နှိုင်းယှဉ်ရန် ရိုးရိုးရှင်းရှင်းအသုံးပြုထားသောကြောင့် “ ကောင်း” သို့မဟုတ် “ ဆိုး” ဟု ယူဆနိုင်သော AIC အတွက် တန်ဖိုးမရှိပါ။ အနိမ့်ဆုံး AIC ရှိသော မော်ဒယ်သည် အကောင်းဆုံး အံဝင်ခွင်ကျ ဖြစ်စေသည်။ AIC တန်ဖိုး၏ ပကတိတန်ဖိုးသည် အရေးမကြီးပါ။

ဥပမာအားဖြင့်၊ Model 1 တွင် AIC တန်ဖိုး 730.5 ရှိပြီး Model 2 တွင် AIC တန်ဖိုး 456.3 ရှိပါက၊ Model 2 သည် ပိုမိုကောင်းမွန်သော အံဝင်ခွင်ကျဖြစ်စေပါသည်။ AIC ၏ ပကတိတန်ဖိုးများသည် အရေးမကြီးပါ။

ဤအကြောင်းအရာအတွက် အသုံးဝင်သောကိုးကားချက်သည် စာမျက်နှာ 402 ရှိ အပြုအမူသိပ္ပံများအတွက် ပြင်းထန်သောစာရင်းအင်းလမ်းညွှန်ချက် မှ လာပါသည်။

ဖြစ်နိုင်ခြေရှိသည့်အတိုင်း၊ AIC ၏ ပကတိတန်ဖိုးသည် အဓိပ္ပါယ်မဲ့နေသည် (မတရားကိန်းသေဖြင့် ဆုံးဖြတ်ခြင်းဖြစ်သည်)။ ဤကိန်းသေသည် ဒေတာကိုမူတည်သောကြောင့် AIC ကို တူညီသောနမူနာများနှင့် တပ်ဆင်ထားသော မော်ဒယ်များကို နှိုင်းယှဉ်ရန် အသုံးပြုနိုင်သည်။

ထို့ကြောင့် ယူဆနိုင်သော မော်ဒယ်များအားလုံးတွင် အကောင်းဆုံးမော်ဒယ်သည် အသေးငယ်ဆုံး AIC တန်ဖိုး (အစစ်အမှန်မော်ဒယ်နှင့် နှိုင်းယှဉ်ပါက အချက်အလက်ဆုံးရှုံးမှု အနည်းဆုံး) ဖြစ်သည်။

လက်စွဲတွင်ဖော်ပြထားသည့်အတိုင်း AIC ၏ ပကတိတန်ဖိုးသည် အရေးမကြီးပါ။ မော်ဒယ်များ၏ အံအားသင့်မှုကို နှိုင်းယှဉ်ရန် AIC တန်ဖိုးများကို ကျွန်ုပ်တို့ ရိုးရိုးရှင်းရှင်း အသုံးပြုပြီး အနိမ့်ဆုံး AIC တန်ဖိုးနှင့် မော်ဒယ်သည် အကောင်းဆုံးဖြစ်သည်။

မော်ဒယ်တစ်ခုသည် ဒေတာအတွဲတစ်ခုနှင့် ကိုက်ညီမှုရှိမရှိ ဆုံးဖြတ်နည်း

AIC တန်ဖိုးသည် အလားအလာရှိသော မော်ဒယ်များစာရင်းမှ ဒေတာအစုံနှင့် ကိုက်ညီမည့် ဆုတ်ယုတ်မှုပုံစံကို ဆုံးဖြတ်ရန် အသုံးဝင်သော နည်းလမ်းတစ်ခုဖြစ်သော်လည်း၊ မော်ဒယ်သည် ဒေတာနှင့် ကိုက်ညီမှု မည်မျှ ရှိသည်ကို အတိအကျ မတွက်ချက်ပါ။

ဥပမာအားဖြင့်၊ ဆုတ်ယုတ်မှုပုံစံတစ်ခုသည် ဖြစ်နိုင်ချေရှိသော မော်ဒယ်များစာရင်းတွင် အနိမ့်ဆုံး AIC တန်ဖိုး ရှိကောင်းရှိနိုင်သော်လည်း ၎င်းသည် သင့်လျော်မှု ညံ့ဖျင်းသော မော်ဒယ်တစ်ခု ဖြစ်နေဆဲဖြစ်သည်။

မော်ဒယ်တစ်ခုသည် ဒေတာအတွဲတစ်ခုနှင့် ကိုက်ညီမှုရှိမရှိ ဆုံးဖြတ်ရန်၊ အောက်ပါ မက်ထရစ်နှစ်ခုကို အသုံးပြုနိုင်သည်။

• Mallows’ Cp – ဆုတ်ယုတ်မှုပုံစံများတွင် ဘက်လိုက်မှုအတိုင်းအတာကို တိုင်းတာသည့် မက်ထရစ်တစ်ခု။
• ချိန်ညှိထားသော R-squared − မော်ဒယ်ရှိ ခန့်မှန်းသူကိန်းရှင်များအလိုက် ရှင်းပြနိုင်သည့် တုံ့ပြန်မှုကိန်းရှင်ရှိ ကွဲလွဲမှုအချိုးအစား၊ မော်ဒယ်ရှိ ခန့်မှန်းသူကိန်းရှင်အရေအတွက်အတွက် ချိန်ညှိထားသည်။

ဖြစ်နိုင်ချေရှိသော မော်ဒယ်များစွာထဲမှ “ အကောင်းဆုံး” ဆုတ်ယုတ်မှုပုံစံကို ရွေးချယ်ရန်အတွက် အလားအလာရှိသော မဟာဗျူဟာမှာ အောက်ပါအတိုင်းဖြစ်သည်။

• ပထမဦးစွာ၊ အနိမ့်ဆုံး AIC တန်ဖိုးဖြင့် မော်ဒယ်ကို ခွဲခြားသတ်မှတ်ပါ။
• ထို့နောက် ဤဆုတ်ယုတ်မှုပုံစံကို ဒေတာနှင့် အံကိုက်ပြီး Mallows Cp ကို တွက်ချက်ကာ ဒေတာ အမှန်တကယ် ကိုက်ညီမှု မည်မျှ ကောင်းမွန်ကြောင်း တွက်ချက်ရန် မော်ဒယ်၏ R-squared ကို ချိန်ညှိထားသည်။

ဤချဉ်းကပ်မှုသည် သင့်အား အသင့်တော်ဆုံး မော်ဒယ်ကို ခွဲခြားသိရှိနိုင် ပြီး မော်ဒယ်သည် ဒေတာ အမှန်တကယ် ကိုက်ညီမှု မည်မျှ ကောင်းမွန်ကြောင်း အရေအတွက် တွက်ချက်နိုင်စေပါသည်။

ထပ်လောင်းအရင်းအမြစ်များ

အနုတ်လက္ခဏာ AIC တန်ဖိုးများကို မည်သို့အဓိပ္ပာယ်ဖွင့်ဆိုမည်နည်း။
AIC ကို R ဖြင့် တွက်နည်း
Python တွင် AIC တွက်ချက်နည်း