Bir vaka çalışmasını çözerken, araştırmacı birçok tahmin edici, olasılık ve etkileşimle karşılaşır. Bu, bir model seçmeyi karmaşık hale getirir. Model seçimi için farklı kriterlerin yardımıyla bu sorunları çözebilir ve kesinliği tahmin edebilirler.
AIC ve BIC, bir modeli değerlendirmek için bu tür iki kriter sürecidir. Göz önünde bulundurulan değişkenlerin toplanması için seçici belirleyicilerden oluşurlar. 2002'de Burnham ve Anderson, her iki kriter üzerinde de bir araştırma çalışması yaptı.
AIC vs BIC
AIC ve BIC arasındaki fark, model seçimidir. Belirli kullanımlar için belirtilirler ve ayırt edici sonuçlar verebilirler. AIC sonsuz ve nispeten yüksek boyutlara sahiptir.
AIC, karmaşık özelliklerle sonuçlanırken, BIC daha sınırlı boyutlara ve tutarlı niteliklere sahiptir. İlki olumsuz bulgular için daha iyidir ve ikincisi olumlu için kullanılır.
AIC ve BIC Arasındaki Karşılaştırma Tablosu
| Karşılaştırma Parametreleri | AIC | BIC |
| Tam formlar | AIC'nin tam formu Akaike Bilgi Kriterleridir. | BIC'nin tam formu Bayesian Information Criteria'dır. |
| Tanım | Olguların belirsiz, doğru ve gerekçelendirilmiş olasılıkları arasında sürekli ve karşılık gelen bir aralığın değerlendirilmesine Akaike Bilgi Kriterleri veya AIC denir. | Belirli bir Bayes yapısı altında, modeli izleyen olasılığın amacının doğru bir değerlendirmesine Bayesian Bilgi Kriterleri veya BIC denir. |
| formül | Akaike bilgi kriterini hesaplamak için formül şu şekildedir: AIC = 2k – 2ln(L^) | Bayes bilgi kriterini hesaplamak için formül şu şekildedir: BIC = k ln(n) – 2ln(L^) |
| Model Seçimi | Yanlış negatif sonuçlar için modelde AIC seçilir. | Yanlış pozitif sonuçlar için modelde BIC seçilir. |
| Boyut | AIC'nin boyutu sonsuzdur ve nispeten yüksektir. | BIC'nin boyutu sonludur ve AIC'ninkinden daha düşüktür. |
| ceza süresi | Burada ceza süreleri daha küçüktür. | Burada ceza terimleri daha büyüktür. |
| olasılık | AIC'de gerçek modeli seçmek için olasılık 1'den az olmalıdır. | BIC'de gerçek modeli seçmek için olasılık tam olarak 1 olmalıdır. |
| Sonuçlar | Burada sonuçlar tahmin edilemez ve BIC'den daha karmaşıktır. | Burada sonuçlar tutarlı ve AIC'den daha kolaydır. |
| varsayımlar | AIC, varsayımların yardımıyla en uygun kapsamı hesaplayabilir. | Varsayımların yardımıyla BIC, AIC'ninkinden daha az optimal kapsama alanı hesaplayabilir. |
| Riskler | n, k'den çok daha büyük olduğundan, AIC ile risk en aza indirilir2. | n sonlu olduğundan risk BIC ile maksimize edilir. |
AIC nedir?
Model ilk olarak 1971 yılında istatistikçi 'Hirotugu Akaike' tarafından açıklandı. Ve ilk resmi makale 1974'te Akaike tarafından yayınlandı ve 14.000'den fazla atıf aldı.
Akaike Bilgi Kriterleri (AIC), gerçeklerin belirsiz, doğru ve gerekçeli olasılıkları arasında karşılık gelen aralığa ek olarak bir süreklinin bir değerlendirmesidir. Modelin bütünleşik olasılık amacıdır. Böylece daha düşük bir AIC, bir modelin doğruluk açısından daha benzer olduğu tahmin edilir. Yanlış-negatif sonuçlar için yararlıdır.
Gerçek bir modele ulaşmak için 1'den küçük bir olasılık gerekir. AIC'nin boyutu sonsuzdur ve sayıca nispeten yüksektir. Bu nedenle öngörülemeyen ve karmaşık sonuçlar sağlar. Varsayımların en uygun kapsamına hizmet eder. Ceza süreleri daha küçüktür. Birçok araştırmacı, varsayımda bulunurken minimum risklerle fayda sağladığına inanmaktadır. Çünkü burada n, k'den büyük2.
AIC hesaplaması aşağıdaki formülle yapılır:
BİK nedir?
Bayes Bilgi Kriterleri (BIC), belirli bir Bayes yapısı altında modelin doğru olduğunu takip ederek olasılığın amacının bir değerlendirmesidir. Bu nedenle, daha düşük bir BIC, bir modelin kesin model olarak daha fazla beklenmesinin kabul edildiği anlamına gelir.
Teori, 1978 yılında Gideon E. Schwarz tarafından geliştirilmiş ve yayınlanmıştır. Ayrıca, Schwarz Bilgi Kriteri, kısaca SIC, SBIC veya SBC olarak bilinir. Doğru bir modele ulaşmak için tam olarak 1 olasılık gerekir. Yanlış pozitif sonuçlar için yararlıdır.
Ceza şartları önemli. Boyutu, tutarlı ve kolay sonuçlar veren sonludur. Bilim adamları, varsayımlar için optimal kapsamının AIC'den daha az olduğunu söylüyor. Bu bile maksimum risk almaya dönüşüyor. Çünkü burada n tanımlanabilir.
BIC hesaplaması aşağıdaki formülle yapılır:
'Köprü Kriteri' veya BC, Jie Ding, Vahid Tarokh ve Yuhong Yang tarafından geliştirildi. Kriterin yayınlanması 20 Haziran 2017'de IEEE Transactions on Information Theory'de yapıldı. Amacı, AIC ve BIC modülleri arasındaki temel boşluğu kapatmaktı.
AIC ve BIC Arasındaki Temel Farklar
Çözüm
AIC ve BIC, çeşitli amaçlarına ve farklı bir asimptotik spekülasyon koleksiyonuna bağlı olarak neredeyse doğrudur. Her iki varsayım grubu da uygulanabilir olmadığı için onaylanmamıştır. Dağıtılmış her alfa için dinamizm 'n'de artıyor. Bu nedenle, AIC modelinin tipik olarak n'ye rağmen benzer şekilde yüksek bir modeli tercih etme olasılığı vardır. BIC, n yeterliyse, önemli bir model üzerinde toplama konusunda çok sınırlı belirsizliğe sahiptir. Her ne kadar sunulan tüm n için AIC'den daha büyük bir olasılığa sahip olsa da, kısa bir modelin yanı sıra tercih etme olasılığı vardır.
İki ilişkili modeli analiz etmenin hafif gerçeği kabul edilirse, onların operasyonel gerçekleşmelerindeki varyasyonu tanımak en yaygın olanıdır. Her ikisini de aynı anda uygulamak için en güvenilir yöntem model aralığındadır. Yanlış-olumsuz kararlar için AIC daha faydalıdır. Tersine, BIC yanlış pozitif için daha iyidir. Son zamanlarda, AIC ve BIC modülleri arasındaki önemli bloğu köprülemek için 'Bridge Criterion' oluşturuldu. Önceki olumsuz kararlar için ve aşağıdaki olumlu kararlar için kullanılır.
Referanslar
Bu makaleyi yazan: Supriya Kandekar
