赤池情報量基準（AIC）はG検定対策を理解するための用語です。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

G検定トップ ＞ 赤池情報量基準（AIC）とは？G検定対策

まず結論

赤池情報量基準（AIC: Akaike Information Criterion）は、モデルの複雑さと当てはまり（予測性能）のバランスを評価する指標です。 G検定では「精度指標ではなく、モデル選択の基準」である点が問われます。

直感的な説明

AICは「賢すぎるモデルに罰点を与える仕組み」だと考えると分かりやすいです。

  • パラメータを増やすほど、学習データにはよく合う
  • しかし、複雑すぎるモデルは過学習しやすい

AICは、

「よく当てはまるほど評価は上がるが、複雑すぎると減点する」

という考え方で、ちょうどよいモデルを選ぶための基準です。

定義・仕組み

赤池情報量基準（AIC）は、次の式で定義されます。

AIC = -2 log L + 2k
  • L：モデルの尤度（データへの当てはまりの良さ）
  • k：モデルのパラメータ数

ポイントは次の2つです。

  • -2 log L：当てはまりが良いほど小さくなる
  • 2k：パラメータが多いほど大きくなる（＝複雑さへのペナルティ）

👉 AICは「小さいほど良いモデル」 と判断します。

いつ使う？（得意・不得意）

得意な場面

  • 複数のモデル候補から1つを選びたいとき
  • 線形回帰や一般化線形モデルなどのモデル選択

注意が必要な点

  • 絶対的な性能評価ではない（モデル間の相対比較）
  • 分類精度（Accuracyなど）を直接評価する指標ではない

G検定ひっかけポイント

G検定では、次の混同を狙われやすいです。

  • AIC と 正解率（Accuracy）を混同させる
  • AIC と ROC曲線を並べて選ばせる

選択肢で次のように書かれていたら注意です。

  • ❌「分類性能を評価する指標」
  • ❌「ROC曲線の一種」

判断基準

  • モデルの複雑さと精度のバランス → AIC
  • 分類の当たり外れ → Accuracy / Recall
  • 閾値を変えた性能評価 → ROC曲線

まとめ（試験直前用）

  • AICはモデル選択の指標
  • 複雑さ（パラメータ数）にペナルティを与える
  • 値は小さいほど良い
  • 精度指標（Accuracy・ROC）とは目的が違う
  • 「モデルの良さを総合的に比較」→ AIC

🔗 関連記事

🏠 G検トップに戻る