In statistics, the Bayesian informa

In statistics, the Bayesian information criterion (BIC) or Schwarz criterion (also SBC, SBIC) is a criterion for model selection among a finite set of models; the model with the lowest BIC is preferred. It is based, in part, on the likelihood function and it is closely related to the Akaike information criterion (AIC).
When fitting models, it is possible to increase the likelihood by adding parameters, but doing so may result in overfitting. Both BIC and AIC resolve this problem by introducing a penalty term for the number of parameters in the model; the penalty term is larger in BIC than in AIC.
The BIC was developed by Gideon E. Schwarz and published in a 1978 paper,[1] where he gave a Bayesian argument for adopting it.

ผลลัพธ์ (ไทย) 1:

สถิติ ทฤษฎีข้อมูลเกณฑ์ (BIC) หรือ Schwarz เงื่อนไข (ยัง SBC, SBIC) คือ เกณฑ์สำหรับเลือกรุ่นระหว่างรุ่น ชุดมีจำกัด รุ่นกับ BIC ต่ำสุดเป็นที่ต้องการ คะแนน ในส่วน ฟังก์ชันความน่าเป็น และจะต้องเกี่ยวข้องกับเงื่อนไขข้อมูล Akaike (AIC)เมื่อรุ่นที่เหมาะสม มันเป็นไปได้เพื่อเพิ่มโอกาส โดยการเพิ่มพารามิเตอร์ แต่ทำดังนั้นอาจส่งผลให้ overfitting BIC และ AIC แก้ไขปัญหานี้ โดยการแนะนำคำโทษสำหรับจำนวนของพารามิเตอร์ในแบบจำลอง คำปรับเป็นขนาดใหญ่ใน BIC กว่าใน AICBIC พัฒนา โดย Schwarz E. กิ และตีพิมพ์ในปี 1978 กระดาษ, [1] ที่เขาให้อาร์กิวเมนต์เป็นทฤษฎีสำหรับนำมัน

ผลลัพธ์ (ไทย) 2:

ในสถิติข้อมูลคชกรรมเกณฑ์ (BIC) หรือ Schwarz เกณฑ์ (ยัง SBC, SBIC) เป็นเกณฑ์สำหรับการเลือกรูปแบบในหมู่ขอบเขตของแบบจำลอง; รุ่นที่มี BIC ต่ำสุดที่เป็นที่ต้องการ มันขึ้นอยู่ในส่วนที่เกี่ยวกับฟังก์ชั่นความเป็นไปได้และเป็นที่เกี่ยวข้องอย่างใกล้ชิดกับข้อมูลเกณฑ์ Akaike (AIC).
เมื่อกระชับรุ่นก็เป็นไปได้เพื่อเพิ่มโอกาสโดยการเพิ่มพารามิเตอร์ แต่การทำเช่นนั้นอาจส่งผลให้อิง ทั้งสอง BIC และ AIC แก้ไขปัญหานี้โดยการแนะนำระยะโทษสำหรับจำนวนของพารามิเตอร์ในรูปแบบ; ระยะโทษมีขนาดใหญ่ใน BIC กว่าใน AIC.
BIC ได้รับการพัฒนาโดยกิดเดียนอี Schwarz และตีพิมพ์ในกระดาษ 1978 [1] ที่เขาให้การโต้แย้งเบส์สำหรับการใช้มัน

ผลลัพธ์ (ไทย) 3:

ในสถิติ เกณฑ์ข้อมูลเบย์ ( BIC ) หรือ สวอร์ซเกณฑ์ ( SBC SBIC , ) เป็นเกณฑ์ในการเลือกรูปแบบของชุดจำกัดของรูปแบบ รูปแบบ กับ บิ๊ก ต่ำสุดที่ต้องการ มันขึ้นอยู่ในส่วนที่เกี่ยวกับฟังก์ชันความน่าจะเป็นและเป็นที่เกี่ยวข้องอย่างใกล้ชิดกับเกณฑ์เคราะห์ข้อมูล ( AIC )เมื่อกระชับรุ่น มันเป็นไปได้ที่จะเพิ่มโอกาสโดยการเพิ่มพารามิเตอร์ แต่การทำเช่นนั้นอาจส่งผลใน overfitting . และทั้งบิ๊ก AIC แก้ไขปัญหานี้โดยการปรับระยะสำหรับจำนวนของพารามิเตอร์ในแบบจำลอง โทษระยะใหญ่บิ๊กกว่า AIC .ที่ถูกพัฒนาขึ้นโดย Gideon E เมย์ ชวาร์ซและตีพิมพ์ใน พ.ศ. 2521 กระดาษ [ 1 ] ซึ่งเขาให้เหตุผลในระบบและใช้มัน