AICとBICの違いまとめ（モデル選択）は関連概念を切り分けるための考え方です。この記事では仕組み・役割・使いどころを押さえ、G検定で問われる判断ポイントとひっかけポイントを解説します。

gk metrics cheatsheet

G検定トップ ＞ AICとBICの違いまとめ（モデル選択）

まず結論

AICとBICはどちらもモデル選択のための情報量基準で、複雑さへのペナルティの強さが違うだけです。 G検定では「どちらがよりシンプルなモデルを選ぶか」が問われます。

直感的な説明

AICとBICは、モデルを評価する審査員の性格の違いと考えると覚えやすいです。

  • AIC：そこそこ厳しい（当てはまりも重視）
  • BIC：かなり厳しい（シンプル最優先）

データが増えるほど、BICは

「余計なパラメータは絶対に許さない」

という姿勢になります。

定義・仕組み

それぞれの定義式は次の通りです。

AIC = -2 log L + 2k
BIC = -2 log L + k log n
  • L：尤度（当てはまり）
  • k：パラメータ数
  • n：データ数

違いの本質

  • AIC：ペナルティは一定（2k）
  • BIC：データ数が多いほどペナルティ増大（k log n）

👉 どちらも「小さいほど良い」 指標です。

いつ使う？（得意・不得意）

AICが向いている場合

  • 多少複雑でも予測性能を重視したい
  • データ数がそれほど多くない

BICが向いている場合

  • データ数が多い
  • 本当に必要な変数だけを選びたい

※ どちらも「精度指標」ではありません。

G検定ひっかけポイント

G検定では、次のような形で混同させてきます。

  • AIC / BIC を Accuracy や ROC曲線と並べる
  • 「精度を評価する指標」と書いてくる

選択肢の切り方（即判断）

  • モデル設計・モデル選択 → AIC / BIC
  • 複雑さへのペナルティが強い → BIC
  • データ数 n が式に出てくる → BIC
  • 当てはまりも重視 → AIC

まとめ（試験直前用）

  • AIC / BIC はモデル選択指標
  • 精度指標ではない
  • AIC：柔軟、BIC：厳格
  • BICはシンプルなモデルを選びやすい
  • 迷ったら「データ数・ペナルティ」で判断

🔗 関連記事

🏠 G検トップに戻る