在学逐步回归的过程中，遇到了AIC，只知道这玩意儿越小，模型拟合力更好。查了一下：
AIC是由日本统计学家赤池弘次创立和发展的，该准则是建立在熵的基础上的。
一般情况下，公式为
AIC=(2k-2L)/n
这公式我们可以看到，n是样本量，样本量越大该值越小，跟我们平时说的样本量越大，模型越有说服力
k是拟合模型中参数的数量，可以知道参数越少，AIC越小
L是对数似然值，L越大模型说明越精确
具体的公式看起来比较复杂一些，这个公式相对简洁一些，更好理解。
总的来说，模型参数少不仅对计算代价有利，而且拟合相对来说更有解释力；样本量大，感觉越贴近真实情况，而且AIC还低；似然函数也是，越大不仅仅说明模型精确，而且AIC越小。