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