假设检验是利用样本统计值来验证对总体的假设是否正确,统计学简述假设检验的一般步骤
请点击原文阅读，查看雀中。
33559 www。于芬/恩兹妮
翻译源
3359 machine learning mastery . com/python-cheat-sheet中的统计假设测试/
验证机器学习所需的17个统计假设的快速参考指南，提供Python的样本代码。
虽然有数百种统计假设测试可用，但在机器学习项目中可能只需要使用一小部分。
在本文中，我们来看看机器学习项目中最流行的统计假设验证手册。有使用Python API的例子。统计检查方法是否一致，包括：检查的名称
检查内容。
验证的一个重要假设。
测试结果如何？
用于测试的Python API。
请注意，如果涉及到数据的预期分布和样本大小等假设，违反某个假设可能会有所降低，而不是某个测试的结果立即变得不可用。
一般来说，数据样本必须具有区域代表性，并且足够大，以揭示和分析其分布。
在某些情况下，可以修改数据以满足假设。例如，通过移除异常值将接近正态分布的值修改为正态分布，或者如果样本具有不同的方差，则在统计测试中使用自由度修改。这是两个例子。
最后，可能有几种方法来检查具体的关注点，如正常性。我们无法通过统计得到问题的明确答案；而是得到概率的答案。因此，我们可以通过考虑问题的不同方式来获得同一问题的不同答案。因此，对于一些数据问题，可能需要进行各种检查。
检查目录的正常性
相关检查
稳定性检查
参数的统计假设检验
非参数统计假设检验
Lldej检查
达戈斯蒂诺的K 2检查
安德森-达林试验
皮尔逊相关系数
斯皮尔曼水平相关
肯德尔等级相关
卡方测验
增广的迪基-富勒
基科夫斯基-菲利普斯-施密特-申事件
学生托福考试
配对学生t检验
分散检验(ANOVA))。
方差检验的重复测量分析
曼-惠特尼U检验
Wilcoxon信号通道检查
克鲁斯卡尔-沃利斯H检验
弗里德曼试验
本教程分为以下五个部分：
1.规范性检验的正态性检验
本节列出了可用于检查数据是否具有瘦车分布的统计检验。
夏皮罗-维尔克检验假设
H0)样本具有细长的汽车分布。
)H1)样本不具有细长的汽车分布。
每个样本的观测值是独立的，具有相同的分布()。
Python代码# exampleofshapiro-wilknormalitytest
来自scipy.stats import shapiro
数据=[ 0.873，2.817，0.121，-0.945，-0.055，-1.436，-0.360，-1.478，-1.637，-1.869]
Stat，p=Shapiro(数据))。
Print (stat=%.3f，p=%.3f) stat，p))
如果p 0.05:
可传输高斯(打印))。
否则：
打印(非高斯))
详细信息代理introductionnormalitytestsinpython
夏皮罗
维基百科夏皮罗-威尔克测试
达戈斯蒂诺的K 2检测达戈斯蒂诺的K 2的测试数据样本是否具有细长的汽车分布。
假设
H0)样本具有细长的汽车分布。
)H1)样本不具有细长的汽车分布。
每个样本的观测值是独立的，具有相同的分布()。
代码#示例d agostino sk 2正常测试
来自scipy.statsimportnormaltest
数据=[0.873、2.817、0.121 、-0.945 、-0.055 、-1.478、0.360 、-1.478 、-1
.637, -1.869]
stat，p=正常测试(数据)
print(stat=%.3f，p=%.3f % (stat，p))
如果p 0.05:
打印(“可能是高斯型”)
否则：
打印(“可能不是高斯”)
更多信息Python中的正态性测试简介
scipy.stats.normaltest
达戈斯蒂诺在维基百科上的K平方测试
Anderson-Darling测试Anderson-Darling测试数据样本是否具有瘦车分布。
假设
解释H0:样本有一个薄的汽车分布。
H1:样本不具有薄的汽车分布。
每个样本中的观测值都是独立同分布的(iid)。
Python代码#安德森-达令正态性测试的例子
来自scipy.stats import anderson
数据=[0.873,2.817,0.121,-0.945,-0.055,-1.436,0.360,-1.478,-1.637,-1.869]
结果=安德森（数据)
print( stat=%。3f“%”(结果。统计))
对于范围内的我(len(结果。关键值)):
sl，cv=结果。重要性_级别[我]，结果。关键值[我]
if result.statistic cv:
打印(可能是处于%.1f%%级别的高斯型% (sl))
否则：
打印(在%.1f%%级别上可能不是高斯型% (sl))
更多信息计算机编程语言中的正态性测试简介
scipy.stats.anderson
维基百科上的安德森-达令测试
2.相关性检验相关性测试
本节列出了可用于检查两个样本是否相关的统计测试。
皮尔逊相关系数皮尔逊相关系数检验两个样本是否有线性关系。
假设
解释H0:两个样本是独立的。
H1:样本之间有依赖性。
每个样本中的观测值都是独立和相同分布的(iid)。
每个样本中的观测值都是正态分布。
每个样本中的观测值具有相同的方差。
计算机编程语言代码皮尔逊相关性测试的示例
从scipy.stats导入皮尔森
data1=[0.873，2.817，0.121，-0.945，-0.055，-1.436，0.360，-1.478，-1.637，-1.869]
data2=[0.353，3.517，0.125，-7.545，-0.555，-1.536，3.350，-1.578，-3.537，-1.579]
stat，p=pearsonr(数据1,数据2)
print(stat=%.3f，p=%.3f % (stat，p))
如果p 0.05:
打印("可能独立")
否则：
打印("可能依赖")
更多信息如何在计算机编程语言中计算变量之间的相关性
科学统计
维基百科上的皮尔逊相关系数
斯皮尔曼秩相关斯皮尔曼等级相关检验两个样本是否有单调关系（单调关系).
假设
解释H0:两个样本是独立的。
H1:样本之间有依赖性。
每个样本中的观测值都是独立的、同分布的(iid)。
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。