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

  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。

留言与评论(共有 条评论)
   
验证码: