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：

    1. 两组独立数据；
    2. 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

  1. 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 ...

  2. 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 ...

  3. 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 ...

  4. 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 ...

  5. 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 ...

  6. 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 ...

  7. 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 ...

  8. 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 ...

  9. 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

  1. 利用CNN来检测伪造图像
  2. VMware 接入 Openstack — 使用 Openstack 创建 vCenter 虚拟机
  3. C语言运行界面字体,C语言实现图形界面登陆窗口.docx
  4. python float 精度_浅谈Python里面小数点精度的控制
  5. Redis系列五、redis的五种数据结构和相关指令之Set
  6. 从零开始拿到了Kaggle竞赛冠军
  7. 怎么做才能将请求平摊到多台服务器上面去呢
  8. 数组——寄包柜(洛谷 P3613)
  9. java怎么运行_不要再问我Java程序是怎么执行的了！
  10. 获得系统异常的详细信息
  11. 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
  12. Atitit 自然语言处理原理与实现 attilax总结
  13. html图片加载慢的问题
  14. 2017百度之星资格赛总结
  15. 微信朋友圈设计方案简述
  16. fastq质量值_fastq碱基质量值转化
  17. 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)
  18. python excel条件格式_Python操作Excel学习笔记（28）：条件格式
  19. Windows系统文件共享
  20. .netCore微信转账至零钱——V3

热门文章

  1. foreach判断最后一个_JavaScript很简单？那你理解的forEach真的对吗？
  2. linux 位置参数数组,JavaScript数组详解
  3. 一文带你了解 FPGA
  4. 三维点云对应关系聚合算法的性能评价
  5. mask rcnn训练自己的数据集
  6. 一分钟详解OpenCV之相机标定函数calibrateCamera()
  7. java 请求接口跨域问题
  8. Windows下dump文件生成与分析
  9. R语言-路径设置与工作目录修改
  10. 子图同构问题Ullmann 算法（二）