贝叶斯信息量准则
在统计学当中，贝叶斯信息量准则（英语：Bayesian information criterion或者：Schwarz information criterion；缩写：BIC、SIC、SBC、SBIC）是在有限集合中进行模型选择的准则：BIC最低的模型是最好的。[1]该准则部分基于似然函数并与赤池信息量准则（AIC）紧密相关。
该准则由数学家Gideon E. Schwarz于1978年提出，因使用英国统计学家托马斯·贝叶斯的贝叶斯推断而得名。
拟合模型时，增加参数可提高似然，但如此下去可能导致过拟合。BIC与AIC都致力于向模型中引入关于参数数量的惩罚项；其中，BIC中的惩罚项会大于AIC中的惩罚项。
 | 这是一篇与统计学相关的小作品。您可以通过编辑或修订扩充其内容。 |
参考文献
- ^ Schwarz, Gideon E., Estimating the dimension of a model, Annals of Statistics, 1978, 6 (2): 461–464, MR 0468014, doi:10.1214/aos/1176344136.