---
title: "赤池情報量基準（AIC）とは？G検定対策"
description: "赤池情報量基準（AIC）は、データへの当てはまりを示す尤度と、パラメータ数による複雑さのペナルティを両立させて候補モデルを比較する指標です。値は小さいほどよいという読み方、絶対評価ではなく相対的なモデル選択に使う点を押さえ、AccuracyやROC曲線との目的の違いを判断します。"
canonical_url: "https://stemtazoo.github.io/gk/aic/"
section: "gk"
---

## 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