aic和bic的python代码

AIC（赤池信息准则）和BIC（贝叶斯信息准则）都是用于模型选择的统计准则，用于衡量模型的拟合优度和复杂度。

下面是使用Python计算AIC和BIC的代码示例：

import numpy as np
from scipy import stats

def calculate_aic(n, residuals, k):
    """
    计算AIC(Akaike's Information Criterion)
    
    参数:
    n: 样本数量
    residuals: 模型残差
    k: 模型参数个数
    
    返回值:
    AIC值
    """
    mse = np.mean(residuals**2)
    aic = n * np.log(mse) + 2 * k
    return aic

def calculate_bic(n, residuals, k):
    """
    计算BIC(Bayesian Information Criterion)
    
    参数:
    n: 样本数量
    residuals: 模型残差
    k: 模型参数个数
    
    返回值:
    BIC值
    """
    mse = np.mean(residuals**2)
    bic = n * np.log(mse) + k * np.log(n)
    return bic

# 示例数据
y = np.array([1, 2, 3, 4, 5])
x = np.array([1, 2, 3, 4, 5])

# 拟合模型，例如线性回归
slope, intercept, r_value, p_value, std_err = stats.linregress(x, y)

# 预测值
predicted = intercept + slope * x

# 残差
residuals = y - predicted

# 样本数量
n = len(y)

# 参数个数
k = 2 # 这里假设模型有2个参数

# 计算AIC
aic = calculate_aic(n, residuals, k)
print("AIC值:", aic)

# 计算BIC
bic = calculate_bic(n, residuals, k)
print("BIC值:", bic)

上述代码中，首先利用`stats.linregress()`函数进行线性回归拟合，计算得到拟合的斜率和截距。然后，根据拟合的结果，计算预测值和残差。接下来，根据给定的样本数量和参数个数，调用`calculate_aic()`和`calculate_bic()`函数来计算AIC和BIC的值。最后，打印出AIC和BIC的计算结果。