最終更新日：2026年8月26日

gk metrics

G検定トップ ＞ 赤池情報量基準（AIC）とは？小さいほどよい理由【G検定】

まず結論

AIC（赤池情報量基準）は、当てはまりの良さとモデルの複雑さを両方見て、候補モデルを比較する指標です。

G検定では次の3点を押さえます。

  • 小さいほどよい
  • パラメータ数が多いほどペナルティ
  • Accuracyのような分類精度ではなく、モデル選択の基準

直感的な説明

学習データへの当てはまりだけを見れば、パラメータを増やした複雑なモデルが有利になりやすいです。

AICはそこで、

よく合っているのは良い。でも複雑すぎるなら減点する

という考え方を使います。

つまり、当てはまりだけで複雑なモデルを選ばないための物差しです。

定義・仕組み

AICは一般に次の式で表されます。

AIC = -2 log L + 2k
  • L：尤度。データへの当てはまりを表す
  • k：推定するパラメータ数

意味はシンプルです。

  • 当てはまりが良い → -2 log L が小さくなりやすい
  • パラメータが多い → 2k が大きくなる

この2つを足すので、AIC全体は小さい方を選ぶと整理できます。

なお、AICは絶対的な点数ではありません。基本的には、同じデータ・同じ目的変数に対して当てた候補モデル同士で相対比較します。

いつ使う？（得意・不得意）

向いている場面

  • 回帰モデルなど複数の候補から選びたい
  • 変数数やモデル構造の違う候補を比較したい
  • 当てはまりと複雑さを同時に考えたい

注意点

  • AIC単独で「このモデルは十分良い」と絶対評価する指標ではない
  • 異なるデータセットに当てたAICを単純比較しない
  • AccuracyやRecallの代わりになる指標ではない

G検定ひっかけポイント

よくある誤解は次の通りです。

  • ❌「AICは大きいほどよい」 → 小さいほどよい
  • ❌「AICは分類の正解率」 → モデル選択の情報量基準
  • ❌「パラメータが多いほどAICでは有利」 → 複雑さへのペナルティが入る
  • ❌「AICの値だけで絶対的な性能を判断できる」 → 候補間の相対比較に使う

正誤を切る判断基準

  • 尤度＋パラメータ数 → AICを疑う
  • 小さい方を選ぶ → AIC
  • モデル選択 → AIC / BIC
  • 分類の当たり外れ → Accuracy / Precision / Recall など

まとめ（試験直前用）

  • AIC＝当てはまり＋複雑さへのペナルティ
  • 式は -2 log L + 2k
  • 小さいほどよい
  • 同じデータに当てた候補モデルを比較する
  • Accuracyなどの精度指標とは役割が違う

関連： AICとBICの違い

© 2024-2026 stemtazoo. All rights reserved.