请点击原文阅读，在雀中查看
33559 www.Yu que.com/alipayqgthu1irbf/shark fin/enrz ni
翻译源
3359 machinelearningmastery.com/statistical-hypothesis-tests-in-python-cheat-sheet /
应用机器学习所需的17种统计假设验证的快速参考指南，提供Python的示例代码。
虽然有数百个统计假设检验可用，但只有一小部分子集可能需要在机器学习项目中使用。
在这篇文章中，我们来看看机器学习项目中最受欢迎的统计假设验证手册。 其中有使用Python API的例子。 各项统计检查表现方法一致，包括： 检查的名称
检查的内容。
验证的重要假说。
测试结果怎么说明？
使用测试的Python API。
请注意，如果涉及数据的预期分布和样本大小等假设，则违反某个假设可能会优雅地退化，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，足够大以暴露和分析其分布。
在某些情况下，可以修改数据以满足假设。 例如，通过移除离群值将接近正态分布的值修改为正态分布，或者如果采样具有不同的方差，则在统计测试中使用自由度修改。 这是两个例子。
最后，关于正规性等特定关注点，可能有几种检查方法。 我们不能用统计学得到问题的明确答案； 相反，我们得到了概率的答案。 因此，我们通过考虑问题的不同方式，可以对同一个问题得到不同的答案。 因此，对于数据的一些问题，可能需要进行各种检查。
目录的正规性检查
相关检查
稳定性检查
参数统计假设检验
非参数统计假设检验
lldej检查
D'Agostino's K^2检查
安德森-达林检验
皮尔森相关系数
斯皮尔曼等级相关
Kendall's Rank Correlation
卡方检验
Augmented Dickey-Fuller
kiatkowski-Phillips-Schmidt-shin事件
学生托福考试
配对学生t检验
分散检查(ANOVA ) )。
重复计量方差分析检查
Mann-Whitney U检查
Wilcoxon信号通道检查
Kruskal-Wallis H检验
弗里德曼检验
本教程分为以下五个部分：
1 .规范性检查Normality Tests
本节列出了可用于检查数据是否具有瘦汽车分布的统计测试。
lldej测试Shapiro-Wilk Test假设
说明H0 )样品具有瘦长的汽车分布。
) H1 )样品不具有瘦长的汽车分布。
各样品观测值独立且分布相同()。
Python代码# exampleoftheshapiro-wilknormalitytest
from 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) )。
打印(stat=%.3f，p=%.3f ) stat，p ) )
if p 0.05:
可移植高斯(print ) )。
else:
print (可携式notgaussian ) )
详细信息agentleintroductiontonormalitytestsinpython
scipy.stats.shapiro
维基百科Shapiro-wilk test on
D'Agostino's K^2检测D'Agostino's K^2测试数据样本是否具有瘦长的汽车分布。
假说
说明H0 )样品具有瘦长的汽车分布。
) H1 )样品不具有瘦长的汽车分布。
各样品观测值独立且分布相同()。
python code # exampleofthed ' agostino ' sk ^ 2正常测试
from scipy.statsimportnormaltest
DATA=[0.873、2.817、0.121、-0.945、-0.055、-1.478、0.360、-1.478、-1
.637, -1.869]stat, p = normaltest(data)
print('stat=%.3f, p=%.3f' % (stat, p))
if p > 0.05:
print('Probably Gaussian')
else:
print('Probably not Gaussian')
More InformationA Gentle Introduction to Normality Tests in Python
scipy.stats.normaltest
D’Agostino’s K-squared test on Wikipedia
安德森-达林检验 Anderson-Darling Test测试数据样本是否具有瘦瘦的汽车分布。
假设
解释H0：样本具有瘦瘦的汽车分布。
H1：样本不具有瘦瘦的汽车分布。
每个样本中的观测值都是独立和相同分布的(iid)。
Python Code# Example of the Anderson-Darling Normality Test
from scipy.stats import anderson
data = [0.873, 2.817, 0.121, -0.945, -0.055, -1.436, 0.360, -1.478, -1.637, -1.869]
result = anderson(data)
print('stat=%.3f' % (result.statistic))
for i in range(len(result.critical_values)):
sl, cv = result.significance_level[i], result.critical_values[i]
if result.statistic < cv:
print('Probably Gaussian at the %.1f%% level' % (sl))
else:
print('Probably not Gaussian at the %.1f%% level' % (sl))
More InformationA Gentle Introduction to Normality Tests in Python
scipy.stats.anderson
Anderson-Darling test on Wikipedia
2. 相关性检验 Correlation Tests
This section lists statistical tests that you can use to check if two samples are related.
皮尔逊相关系数 Pearson’s Correlation Coefficient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 dependency。
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。
Python Code# Example of the Pearson's Correlation test
from scipy.stats import pearsonr
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(data1, data2)
print('stat=%.3f, p=%.3f' % (stat, p))
if p > 0.05:
print('Probably independent')
else:
print('Probably dependent')
More InformationHow to Calculate Correlation Between Variables in Python
scipy.stats.pearsonr
Pearson’s correlation coefficient on Wikipedia
斯皮尔曼秩相关 Spearman’s Rank Correlation检验两个样本是否有单调关系(monotonic relationship)。
假设
解释H0：两个样本是独立的。
H1：样本之间有dependency。
每个样本中的观测值都是独立的、同分布的(iid)。