假設檢驗
通過這個免費的在線課程熟悉假設檢驗的重要概念。學習誤差的類型、z檢驗、t檢驗、樣本和總體。通過實際操作的演示，注冊並詳細學習假設測試。
你在假設檢驗中學到了什麼?
關於這個免費證書課程
這個免費的假設測試課程將幫助您理解有助於成功實施的主要概念。您將了解類型1和2錯誤，並詳細了解z測試。您將了解學生的t檢驗，您將通過t檢驗的類型及其用途，並解決現實世界的例子來更好地理解它們。您將進一步了解隨機樣本和總體大小及其在假設檢驗中的作用。最後，您將學習兩個樣本的獨立t檢驗和t檢驗結果，以及學生分數的配對t檢驗。您將解決現實世界的例子，並通過動手演示，您還將獲得所需的實用知識。完成模塊和測驗，可獲得免費的假設測試課程結業證書。
看看偉大的學習beplay2018官网最佳數據科學課程深入了解該領域的知識，並獲得證書，幫助你獲得更好的工作機會。
課程大綱
本節討論在正確的情況下拒絕和不拒絕零假設的錯誤。我們將探究行為沒有正確執行的原因，並理解如何將它們帶回到流中。
在本模塊中，您將從頭開始學習t檢驗。您將了解它的用途、類型，並解決一個示例，以獲得實用的知識。
本模塊向您介紹假設檢驗中的重要術語，即樣本和總體。您將了解隨機樣本和總體大小如何在假設檢驗中發揮作用。
本模塊詳細地向您解釋了兩個樣本的獨立t檢驗和t檢驗結果。您將通過一個動手演示來了解代碼在每種情況下是如何工作的。
在本模塊中，您將通過一個示例，您將應用配對t檢驗的學生成績，並理解測試的實施和進行假設檢驗。
分享你的證書並引起別人的注意
為什麼學習機器學習?
被雇傭
頂級招聘公司
通過這門課程，你會得到
免費終身訪問
隨時隨地學習
完成證書
在你的職業關係網中脫穎而出
2.0小時
自定節奏的視頻講座
常見問題
學習這門免費的假設檢驗課程的先決條件是什麼?
這門假設測試課程適合初學者，所以沒有入學的先決條件。
完成這個免費的假設測試課程需要多長時間?
本課程有兩個小時的自定節奏的視頻內容，學習者可以按照自己的節奏和舒適學習。
我有終身免費課程的權利嗎?
是的，你可以在你喜歡的時間段訪問任何偉大學習學院的免費課程，並beplay2018官网進行學習簡曆。
在這個假設測試課程之後，我的下一個學習選擇是什麼?
你可以看看偉大的學習beplay2018官网PG數據科學與機器學習課程由麻省理工學院。
假設檢驗值得學習嗎?
是的，假設檢驗是確定一項聲明是否有證據支持的有用工具。它可以幫助你決定是否接受或拒絕索賠，也可以用來比較不同的索賠。
成功的故事
卓越學習beplay2018官网學院的課程對你的職業生涯有幫助嗎?我們的學習者告訴我們該怎麼做。
還有1000多個
假設檢驗
什麼是假設檢驗?
假設檢驗是指做出一個假設，並收集有利於該假設的證據。在統計學中，假設檢驗是使用樣本數據對給定的總體參數或總體概率分布進行推斷。分析人員根據所使用數據的性質和分析原因來決定采用哪種假設檢驗方法。
在檢驗假設時使用的樣本數據可能來自一個大的群體或數據生成過程。術語“總體”是指這個樣本數據，而不考慮其來源。
Python的統計庫允許您執行假設測試。有一個名為ht的Python包，專門用於在機器學習中進行假設測試。
假設檢驗的術語
假設檢驗中有一些常用的術語，在進行假設檢驗之前必須知道。這些常用的術語是:
零假設:與您想要測試的總體有關的斷言。它被稱為“零假設”，因為它假設了我們信念的對比。例如，如果我們要測試發油中是否存在某種特定成分，我們的零假設將表明發油中不存在這種成分。用H0表示。
備選假設:零假設的對立麵是檢驗中的備選假設。通過假設檢驗可以找到證實這一假設的證據。對於上麵提到的發油的例子，另一種假設會說明這種成分存在於發油中。用HA表示。
零假設和替代假設總是相互排斥的。
檢驗統計量:從隨機總體樣本中計算出的隨機變量稱為檢驗統計量。它用於假設檢驗，以決定拒絕原假設。例如，t檢驗的檢驗統計量是t統計量。
p值:得到至少與假設檢驗的零假設中的計算值一樣極端的測試靜態值的概率稱為p值。p值越小，支持備擇假設的證據就越強。
顯著性水平:顯著性水平表示當零假設為真時拒絕零假設的概率。用α (α)表示。例如，顯著性水平為0.01意味著即使沒有實際差異，得出推斷的風險也為1%。
假設檢驗步驟
檢驗假設的整個過程是按照以下事件順序進行的:
陳述原假設和備擇假設:分析人員采取的第一步是為相應的假設檢驗指定原假設和備擇假設。
製定分析計劃:第二步是根據數據的性質和分析背後的原因製定分析計劃。
分析樣本數據:下一步，分析人員根據確定的假設，執行製定的計劃，對樣本數據進行分析。
確定原假設的合理性:最後一步是決定是否拒絕原假設，還是對給定的樣本數據陳述原假設的合理性。所做的決策由假設檢驗的p值和顯著性值決定。
機器學習中假設檢驗的需要
所有基於假設的發現都需要通過假設檢驗。假設檢驗的結果被用來斷言一個發現的統計意義。在假設檢驗的介紹中提到，假設檢驗的結果告訴我們，原假設的陳述還是備擇假設的陳述最能反映總體參數的樣本數據。
在機器學習中，當我們訓練一個ML模型時，我們必須首先對總體本身有信心。因此，要分析一個種群的性質和趨勢，我們需要進行假設檢驗，因為它告訴我們對種群的推測假設是否正確。
假設基礎
整個假設圍繞著規範化和標準規範化的基礎展開。當一個變量的曲線為正態鍾形曲線，表示均值、中值和眾數相等時，它就是正態分布。另一方麵，當一個變量的均值為0，標準差為1時，我們說它具有標準正態分布。
假設檢驗的類型
可以進行四種類型的假設檢驗。這些類型是:
- z檢驗:在已知方差和大量樣本數據下，該檢驗得出兩個總體均值是否不同。在這種情況下，測試靜態為z靜態，所使用的公式為:
Z= X-µₒs
這裏，Z = Z檢驗
X =樣本平均數
µₒ= mean
標準差
t檢驗(學生t檢驗):另一種假設檢驗工具，在不給出方差的情況下區分兩組的均值。在這種情況下，測試靜態是t-static。進一步分為三類:
單樣本t檢驗
獨立雙樣本t檢驗，
配對樣本t檢驗
t檢驗在數據科學、CS研究和ML領域有常見的應用。
ANOVA檢驗:ANOVA代表方差分析。當其中一組顯著不同於組的總體平均值時，該測試報告統計上顯著的結果。它可以是單向、雙向或n-way。這裏的測試靜力是f靜力。
卡方檢驗:該假設檢驗用於檢驗兩個變量的獨立性。它對測試樣品的大小很敏感。卡方檢驗用於比較預期和模型結果。這種測試類型的靜態測試是卡方靜態測試。
Alpha風險& Beta風險
在統計假設檢驗中，當零假設為真時，可能存在拒絕零假設的風險。這種風險被稱為alpha風險。alpha風險的另一個術語是i型錯誤和假陽性。alpha風險的大小主要取決於所使用的樣本的大小。大樣本量對應低alpha風險。
與alpha風險相對的是beta風險，通常被稱為ii型錯誤。它是認可零假設的可能性，當它實際上是假的，也就是說，它是假陰性。
假設檢驗的真實例子
以下是涉及假設檢驗的各個領域的真實例子:
例1:假設檢驗是在不同的臨床試驗中進行的，目的是檢驗一種新藥治療某種症狀的有效性。
例2:測試化妝品、食品等中特定成分的存在。
例3:假設檢驗可以用來確定一種新型肥料是否會增加土壤肥力。
例4:通過分析業務增長，假設檢驗有助於找到支持某種營銷策略的證據。
例5:可以運行假設檢驗來確定ML模型是否滿足關注的需求。
同樣，可以引用無數的現實世界的例子來說明假設檢驗的實現。
關於本課程-假設檢驗
本課程的計劃課程將極大地有利於在機器學習領域尋求機會的熱情學習者。大學習的假設檢驗課程將幫助學習者在假設檢驗方麵打下堅實的基礎。beplay2018官网學習這門課程可以讓你深入了解機器學習分析的工作。這個在線課程的另一個優點是，除了你的時間和奉獻精神，它不會花費你任何東西。
這個在線課程的內容結構合理，對初學者有很大的幫助。它以描述性假設測試介紹開始，以測試你的技能的小測驗結束。考試合格後，你可以領取免費結業證書。因此，在學習新技能的同時，你還可以獲得一個證書來升級你的簡曆和LinkedIn簡介。本課程包含兩個小時的視頻內容，介紹假設檢驗的基礎知識，包括對學生t檢驗和配對檢驗的描述。
