它建立在熵的概念基础上，可以权衡所估计模型的复杂度和此模型拟合数据的优良性。
在一般的情况下，AIC可以表示为：AIC=2k-2ln(L)，其中：k是参数的数量，L是似然函数。假设条件是模型的误差服从独立正态分布。让n为观察数，SSR(SUMSQAUREOFRESIDUE)为残差平方和，那么AIC变为：AIC=2k+nln(SSR/n)。
增加自由参数的数目提高了拟合的优良性，AIC鼓励数据拟合的优良性但是尽量避免出现过度拟合(Overfitting)的情况。所以优先考虑的模型应是AIC值最小的那一个。
假设在n个模型中做出选择，可一次算出n个模型的AIC值，并找出最小AIC值相对应的模型作为选择对象。
赤池信息准则的方法是寻找可以最好地解释数据但包含最少自由参数的模型。
