影像组学视频学习笔记(9)-T检验(T-test)理论及示例、Li‘s have a solution and plan.
本笔记来源于B站Up主: 有Li 的影像组学系列教学视频
本节(9)主要介绍: T-test理论及示例
T 检验
两独立样本t检验(ttest_ind):检验两组独立样本的平均数与其分布是否具有显著性差异
(有显著性差异: p < 0.05)需满足两个条件:
- 两组独立数据;
- 方差齐性
使用levene
检验检查方差齐性 (需 p > 0.05)
若两组数据不满足方差齐性,使用Welch’s t-test
Levene
函数的使用:
输入:levene(x,y)
输出:LeveneResult(statistic, pvalue)
ttest_ind
函数的使用:
输入:ttest_ind(x,y, equal_var = False)
equal_var 默认为 True
输出:ttest_indResult(statistic, pvalue)
举个栗子:
from scipy.stats import levene,ttest_ind
http://www.taodudu.cc/news/show-163606.html
相关文章:
- 通过构建DCA(Decision Curve Analysis)模型、获取模型数据并使用python进行绘图
- 基于变分自动编码器(Variational Autoencoders)进行推荐系统的实施、Keras实现并可视化训练和验证误差、最后给出topK准确率和召回率
- Li‘s 影像组学视频学习笔记(10)-T检验+lasso+随机森林、Li‘s have a solution and plan.
- 影像组学视频学习笔记(11)-支持向量机(SVM)(理论)、Li‘s have a solution and plan.
- 影像组学视频学习笔记(12)-支持向量机(SVM)参数优化(代码)、Li‘s have a solution and plan.
- 影像组学视频学习笔记(14)-特征权重做图及美化、Li‘s have a solution and plan.
- 通过交叉验证(Cross Validation)KFold绘制ROC曲线并选出最优模型进行模型评估、测试、包含分类指标、校准曲线、混淆矩阵等
- 从pandas resample说起,然后再超越resample,通过pd.Grouper、groupby、agg
- 使用hyperopt(Bayesian optimization)为lightGBM模型挑选最优参数进行模型构建、by Cross Validation
- 使用hyperopt(Bayesian optimization)为xgboost模型挑选最优参数进行模型构建、by Cross Validation
- 广义线性模型?链接函数?sigmoid和softmax?Logistic处理多分类问题?logistic回归处理超大数据?使用logistic和randomsearch进行组合获取最优参数组合、优缺点
- 影像组学视频学习笔记(15)-ROC曲线及其绘制、Li‘s have a solution and plan.
- 影像组学视频学习笔记(24)-文献导读:了解88种降维、分类器组合、Li‘s have a solution and plan.
- 影像组学视频学习笔记(32)-使用SimpleITK进行N4偏置场校正、Li‘s have a solution and plan.
- 影像组学视频学习笔记(33)-使用SimpleITK实现医学影像差值、Li‘s have a solution and plan.
- 影像组学视频学习笔记(35)-基于2D超声影像的影像组学特征提取、Li‘s have a solution and plan.
- 基于Isolation Forest以及MeanShift进行异常检测模型的构建
- 聚类算法是什么?聚类(clustering)有哪些常用的评估方法?评估方法的公示是什么?轮廓系数(Silhouette Coefficient)、平方根标准误差、R方、ARI分别是什么?
- 影像组学视频学习笔记[44(End)]-带95%置信区间的折线图、Li‘s have a solution and plan.
- 影像组学视频学习笔记(34)-使用3D Slicer软件提取影像组学特征、Li‘s have a solution and plan.
- 影像组学视频学习笔记(23)-主成分析PCA、降维和特征筛选的区别、Li‘s have a solution and plan.
- 影像组学视频学习笔记(37)-机器学习模型判断脑卒中发病时间(文献报告)、Li‘s have a solution and plan.
- 影像组学视频学习笔记(41)-如何使用软件提取组学特征、Li‘s have a solution and plan.
- 影像组学视频学习笔记(42)-影像组学特征提取问题解决过程复现、Li‘s have a solution and plan.
- 影像组学视频学习笔记(43)-标准差、标准误及95%置信区间CI、Li‘s have a solution and plan.
- 基于GAN模型的生成人脸重构、返老还童、看见前世今生(Age Progression/Regression)
- 影像组学视频学习笔记(29)-ICC的计算、Li‘s have a solution and plan.
- 基于Keras Application和Densenet迁移学习(transfer learning)的乳腺癌图像分类模型(良性、恶性)
- 使用pandas correlation函数批量删除相关性冗余特征、实现特征筛选(feature selection)
- pandas读取多个excel文件并拼接(append)起来形成最终的dataframe、与标签文件连接(join)形成最终学习数据集
影像组学视频学习笔记(9)-T检验(T-test)理论及示例、Li‘s have a solution and plan.相关推荐
- 影像组学视频学习笔记(7)-特征筛选之LASSO回归(代码)、Li‘s have a solution and plan.
本笔记来源于B站Up主: 有Li 的影像组学系列教学视频 本节(7)主要介绍: 特征筛选之LASSO回归分析(代码实现) import pandas as pd import numpy as np ...
- 影像组学视频学习笔记(5)-特征筛选之方差选择法、Li‘s have a solution and plan.
本笔记来源于B站Up主: 有Li 的影像组学系列教学视频 本节(5)主要介绍: 特征筛选之方差选择法 针对医疗人员在影像组学研究中碰到的编程问题,李博士建议: 如果有一门编程语言基础的话会比较轻松 先 ...
- 影像组学视频学习笔记(30)-SMOTE解决数据不平衡的问题、Li‘s have a solution and plan.
本笔记来源于B站Up主: 有Li 的影像组学系列教学视频 本节(30)主要介绍: SMOTE解决数据不平衡的问题 SMOTE基本介绍 SMOTE (Synthetic Minority Over-sa ...
- 影像组学视频学习笔记(14)-特征权重做图及美化、Li‘s have a solution and plan.
本笔记来源于B站Up主: 有Li 的影像组学系列教学视频 本节(14)主要介绍: 特征权重做图及美化 import matplotlib.pyplot as plt %matplotlib inlin ...
- Li‘s 影像组学视频学习笔记(10)-T检验+lasso+随机森林、Li‘s have a solution and plan.
本笔记来源于B站Up主: 有Li 的影像组学系列教学视频 本节(10)主要介绍: T检验+lasso+随机森林 李博士借用和女朋友一起吃饭这个实例来说明:爱情和机器学习一样,复杂深奥.难以揣测. im ...
- Li‘s 影像组学视频学习笔记(9)-T检验(T-test)理论及示例
本笔记来源于B站Up主: 有Li 的影像组学系列教学视频 本节(9)主要介绍: T-test理论及示例 T 检验 两独立样本t检验(ttest_ind):检验两组独立样本的平均数与其分布是否具有显著性 ...
- 影像组学视频学习笔记(12)-支持向量机(SVM)参数优化(代码)、Li‘s have a solution and plan.
本笔记来源于B站Up主: 有Li 的影像组学系列教学视频 本节(12)主要介绍: SVM参数优化(代码) 参数优化: 自动寻找最合适的γ和C组合. 原理:遍历所有给定的参数组合,对数据进行训练,找到最 ...
- 影像组学视频学习笔记(11)-支持向量机(SVM)(理论)、Li‘s have a solution and plan.
本笔记来源于B站Up主: 有Li 的影像组学系列教学视频 本节(11)主要介绍: SVM支持向量机(理论) 支持向量机 (support vector machine, SVM) 号称是鲁棒性(rob ...
- 影像组学视频学习笔记(6)-特征筛选之LASSO回归(理论)、Li‘s have a solution and plan.
本笔记来源于B站Up主: 有Li 的影像组学系列教学视频 本节(6)主要介绍: 特征筛选之LASSO回归分析(理论通俗讲解) LASSO (Least Absolute Shrinkage Selec ...
最新文章
- 利用CNN来检测伪造图像
- VMware 接入 Openstack — 使用 Openstack 创建 vCenter 虚拟机
- C语言运行界面字体,C语言实现图形界面登陆窗口.docx
- python float 精度_浅谈Python里面小数点精度的控制
- Redis系列五、redis的五种数据结构和相关指令之Set
- 从零开始拿到了Kaggle竞赛冠军
- 怎么做才能将请求平摊到多台服务器上面去呢
- 数组——寄包柜(洛谷 P3613)
- java怎么运行_不要再问我Java程序是怎么执行的了!
- 获得系统异常的详细信息
- php 给注册加上限制条件,在注册用户时用两个条件限制,该如何处理
- Atitit 自然语言处理原理与实现 attilax总结
- html图片加载慢的问题
- 2017百度之星资格赛总结
- 微信朋友圈设计方案简述
- fastq质量值_fastq碱基质量值转化
- PHP地图规划骑行路径,高德路径规划,自定义骑行路线(适用3D地图)
- python excel条件格式_Python操作Excel学习笔记(28):条件格式
- Windows系统文件共享
- .netCore微信转账至零钱——V3