假设检验基本思想 | 学习笔记

简介: 快速学习假设检验基本思想

开发者学堂课程【人工智能必备基础:概率论与数理统计:假设检验基本思想】学习笔记,与课程紧密联系,让用户快速学习知识。

课程地址:https://developer.aliyun.com/learning/course/545/detail/7443


假设检验基本思想

内容介绍

一、 假设检验

二、 假设检验的应用

三、 假设检验的基本思想

四、 显著性水平

五、 假设检验的步骤

 

一、假设检验

什么是假设:对总体参数(均值,比例等)的具体数值所作的陈述。比如,我认为新的配方的药效要比原来的更好。

什么是假设检验: 先对总体的参数提出某种假设, 然后利用样木的信息判断假设是否成立的过程。比如,上面的假设 我是要接受还是拒绝呢。


二、假设检验的应用:

推广新的教育方案后,教学效果是否有所提高

醉驾判定为刑事犯罪后是否会使得交通事故减少

男生和女生在选文理科时是否存在性别因素影响


三、假设检验的基本思想:

image.png

假设均值是 50,去证明假设是否成立。在数据中选择了一部分样本,得到样本的均值为 20,实验的结果和假设相差较远。可说明假设不合理。

定义:先假设一个指标,从样本中找到依据,通过依据去拒绝或接收原假设。

 

四、显著性水平:

(可简单认为在原假设为真时,仍拒绝)

一个概率值,原假设为真时,拒绝原假设的概率,表示为 alpha 常用取值为0.01, 0.05, 0.10

一个公司要来招聘了,本来实际有 200 个人准备混一混,但是公司希望只有 5% 的人是浑水摸鱼进来的,所以可能会有 200*0.05=4 个人混进来,所谓显著性水平α  就是你允许最多有多大比例浑水摸鱼的通过你的测试。(α 是概率值,在 0 到 1 之间,通常情况下比较小,表示在原假设情况下还拒绝了原假设的概率。认为α=0.05,1-α=0.95,说明了 0.95 表示接收原假设的概率)


五、假设检验的步骤:

提出假设

确定适当的检验统计量

规定显著性水平

计算检验统计量的值

做出统计决策

相关文章
|
6月前
|
机器学习/深度学习 算法 数据可视化
探索线性回归算法:从原理到实践
探索线性回归算法:从原理到实践【2月更文挑战第19天】
75 0
探索线性回归算法:从原理到实践
|
2月前
|
机器学习/深度学习 Python
逻辑回归思维学习
【9月更文挑战第3天】
27 9
|
5月前
|
机器学习/深度学习 算法 前端开发
集成学习思想
**集成学习**是通过结合多个预测模型来创建一个更强大、更鲁棒的系统。它利用了如随机森林、AdaBoost和GBDT等策略。随机森林通过Bootstrap抽样构建多个决策树并用多数投票决定结果,增强模型的多样性。Boosting,如Adaboost,逐步调整样本权重,使后续学习器聚焦于前一轮分类错误的样本,减少偏差。GBDT则通过拟合残差逐步提升预测精度。这些方法通过组合弱学习器形成强学习器,提高了预测准确性和模型的鲁棒性。
|
6月前
|
机器学习/深度学习 人工智能 算法
上升到人生法则的贝叶斯理论
贝叶斯定理在数据分析、机器学习和人工智能等领域有广泛的应用。贝叶斯定理(Bayes' theorem)是一种用于计算条件概率的重要定理,它基于条件概率的定义,描述了在已知某一条件下,另一个条件发生的概率。
|
人工智能 资源调度 Python
概率论基础
因为概率图模型会涉及大量概率论的知识,所以在开始概率图模型之前,首先让我们回顾一下概率论的一些概念和基础知识。
142 0
概率论基础
|
机器学习/深度学习 人工智能 vr&ar
【机器学习】线性回归——岭回归从贝叶斯角度理解(理论+图解+公式推导)
【机器学习】线性回归——岭回归从贝叶斯角度理解(理论+图解+公式推导)
373 0
【机器学习】线性回归——岭回归从贝叶斯角度理解(理论+图解+公式推导)
|
机器学习/深度学习 人工智能 vr&ar
【机器学习】线性回归——最小二乘法(理论+图解+公式推导)
【机器学习】线性回归——最小二乘法(理论+图解+公式推导)
840 0
【机器学习】线性回归——最小二乘法(理论+图解+公式推导)
|
算法
动手撸个朴素贝叶斯算法bayes(离散数据)
动手撸个朴素贝叶斯算法bayes(离散数据)
184 0
动手撸个朴素贝叶斯算法bayes(离散数据)
|
机器学习/深度学习 数据采集 Python
逻辑回归——一文带你搞懂逻辑回归原理
逻辑回归——一文带你搞懂逻辑回归原理
逻辑回归——一文带你搞懂逻辑回归原理
|
机器学习/深度学习 算法 前端开发
三种集成学习算法原理及核心公式推导
本文主要介绍3种集成学习算法的原理及重要公式推导部分,包括随机森林(Random Forest)、自适应提升(AdaBoost)、梯度提升(Gradient Boosting)。仅对重点理论和公式推导环节做以简要介绍。
429 0
三种集成学习算法原理及核心公式推导