要给出"AIC给出了负无穷大的数值"的解决方法，需要首先了解AIC是什么以及什么情况下会给出负无穷大的数值。

AIC（Akaike Information Criterion）是一种用于模型选择的指标，用于比较不同模型之间的好坏。它根据模型的拟合优度和参数数量来评估模型的质量。AIC的计算公式为:

AIC = -2 * log-likelihood + 2 * k

其中，log-likelihood是模型的对数似然函数，k是模型中的参数数量。

当AIC给出负无穷大的数值时，说明模型的对数似然函数为正无穷大。这通常发生在模型的拟合出现问题的情况下，比如数据中存在异常值、过拟合等。

下面是一个示例代码，展示了如何使用Python中的statsmodels库来计算AIC，并处理当AIC给出负无穷大的情况：

import numpy as np
import statsmodels.api as sm

# 模拟数据
np.random.seed(0)
x = np.random.rand(100)
y = 2 * x + np.random.randn(100)

# 添加异常值
y[0] = -100

# 拟合线性回归模型
X = sm.add_constant(x)
model = sm.OLS(y, X)
results = model.fit()

# 计算AIC
aic = results.aic
print("AIC:", aic)

# 处理负无穷大的情况
if aic == float("-inf"):
    print("AIC给出了负无穷大的数值，模型拟合出现问题。")
    # 进行相关处理，比如重新选择模型、处理异常值等
else:
    # 继续其他操作
    pass

在上面的示例中，我们首先模拟了一组数据，然后将其中一个观测值设置为异常值。接下来，我们使用statsmodels库中的OLS函数来拟合线性回归模型，并计算AIC。最后，我们通过判断AIC是否为负无穷大来处理模型拟合出现问题的情况。

需要注意的是，这只是一个示例，具体的处理方法可能根据实际情况而定。可以根据具体的数据和模型来选择合适的处理方式，比如重新选择模型、处理异常值、调整模型参数等。