贝叶斯信息量准则
在统计学当中,贝叶斯信息量准则(英语:Bayesian information criterion或者:Schwarz information criterion;缩写:BIC、SIC、SBC、SBIC)是在有限集合中进行模型选择的准则:BIC最低的模型是最好的。[1]该准则部分基于似然函数并与赤池信息量准则(AIC)紧密相关。
该准则由数学家Gideon E. Schwarz于1978年提出,因使用英国统计学家托马斯·贝叶斯的贝叶斯推断而得名。
拟合模型时,增加参数可提高似然,但如此下去可能导致过拟合。BIC与AIC都致力于向模型中引入关于参数数量的惩罚项;其中,BIC中的惩罚项会大于AIC中的惩罚项。
![]() | 这是一篇与统计学相关的小作品。您可以通过编辑或修订扩充其内容。 |
参考文献
- ^ Schwarz, Gideon E., Estimating the dimension of a model, Annals of Statistics, 1978, 6 (2): 461–464, MR 0468014, doi:10.1214/aos/1176344136.