當(dāng)我們擬合歷史數(shù)據(jù)得到一個(gè)模型之后，這個(gè)模型有可能只在見過的歷史數(shù)據(jù)上有一個(gè)好的預(yù)測結(jié)果（準(zhǔn)確率高，比如可以用預(yù)測值與真實(shí)值的均方誤差表示準(zhǔn)確率），但是在它沒見過的數(shù)據(jù)上，預(yù)測結(jié)果不好，這就是過擬合(bias)了。但是，如果對歷史數(shù)據(jù)的預(yù)測效果不好的話，那就是欠擬合了。如何平衡？

選擇合適的模型，即平衡擬合與過擬合的一種方法：Akaike information criterion(AIC)

一個(gè)有個(gè)參數(shù)的模型，可以計(jì)算它的：

是時(shí)刻的預(yù)測誤差。式子中第一項(xiàng)衡量擬合度（goodness of fit）,第二項(xiàng)衡量過擬合（bias）。注意，每增加一個(gè)參數(shù)，第二項(xiàng)增加2。我們希望每增加一個(gè)參數(shù)，擬合度增加，預(yù)測誤差減小，如果這種減少超過了2，那么AIC就會(huì)減少，這樣我們就可以增加這個(gè)參數(shù)。如果AIC變得更大了，那么就不要增加這個(gè)參數(shù)。