Cp准则（Cp criterion），理学-统计学-数理统计-预测，将Cp统计量作为选择最优子集的一种标准。由英国统计学家C.L.马洛斯（Colin Lingwood Mallows）提出。Cp准则常用于评估使用普通最小二乘估计的回归模型的拟合程度。当线性回归的残差服从高斯分布时，Cp准则已被证明与赤池信息准则是等价的。通常在模型选择的过程中会使用Cp准则，当存在一系列备选自变量用于预测因变量时，目标是从这些自变量中选取一个子集从而得到最佳模型、达到最佳的预测效果，Cp值越小意味着模型越精准。如果在个自变量里选取个自变量，那么对应的Cp值可由以下公式计算得到：式中为包含个自变量的模型误差平方和；为由个自变量得到的预测值的第个分量；为把所有自变量选入模型后得到的残差均方误差；则为样本量。Cp准则有以下两个局限性：①Cp准则的近似只适用于大样本。②Cp准则不能像变量选择问题那样处理复杂的模型集合。 Cp准则通常用于各种逐步回归法的停止规则。由马洛斯提出的Cp统计量常用于对一系列备选子集进行选择。