1. 什么是比较检验

比较检验 ，又称比对检验，是指通过比较不同模型（或算法）在相同或相似数据集上的表现，来研究它们之间的性能差异。

它基于模型在测试集上的表现，运用各种检验技术来判断模型之间的性能差异是否具有统计学意义。

它的主要作用是：

模型选择：在多个候选模型中，通过比较检验找出性能最优的模型，为实际应用提供最佳选择。
性能评估：客观、准确地评估模型的泛化能力，避免因随机因素导致的片面结论。
统计可靠性：确保模型性能的比较结果具有统计学上的可靠性，增强研究和实践的可信度。
指导优化：明确模型之间的优势和不足，为模型的进一步优化和改进提供方向。

通过比较检验，我们可以科学地评估不同模型的优劣，为模型的选择和优化提供有力支持。

2. 常用的比较检验方法

常用的比较检验方法有以下四种。

2.1. 假设检验

假设检验是统计学中用于判断样本之间是否存在显著差异的方法。

在模型比较中，常用于比较两个模型的性能。

python 复制代码

import numpy as np
from scipy.stats import ttest_ind

# 假设有两个模型的性能指标（如准确率）
model_a_performance = np.random.rand(100) * 100  # 模拟模型A的性能指标
model_b_performance = np.random.rand(100) * 100  # 模拟模型B的性能指标

# 进行t检验
t_statistic, p_value = ttest_ind(model_a_performance, model_b_performance)

print(f'T statistic: {t_statistic:.2f}')
print(f'P value: {p_value:.2f}')

## 输出结果：
'''
T statistic: -0.05
P value: 0.96
'''

在上述代码中，模拟了两个模型的性能指标，并使用ttest_ind函数进行独立样本t检验。

通过输出的T统计量 和P值，可以判断两个模型的性能是否存在显著差异。

这里补充说明一下T统计量 和P值的含义。

t 统计量是衡量两个样本均值差异相对于样本数据变异性的统计量，它表示两个样本均值之间的差异与样本均值变异性的比值。

t 统计量绝对值越大，表示两个样本均值之间的差异相对于数据的变异性越大，越有可能认为这种差异是显著的，而不是由随机因素引起的。

而p 值是在假设检验中，在原假设成立的前提下，观察到当前统计量（如 t 统计量）或更极端情况的概率。

p 值用于判断是否拒绝原假设：

p 值 < 显著性水平（如 0.05）：拒绝原假设，认为两个模型的性能存在显著差异。此时，t 统计量的绝对值较大，表明两个模型的性能差异相对于数据的变异性是显著的。
p 值 ≥ 显著性水平（如 0.05）：不拒绝原假设，认为两个模型的性能无显著差异。此时，t 统计量的绝对值较小，表明两个模型的性能差异可能是由随机因素引起的。

2.2. 交叉验证t检验

交叉验证 t 检验 结合了交叉验证和** t 检验**的优点，能够在多次交叉验证的基础上，对模型性能进行更可靠的比较。

python 复制代码

from sklearn.model_selection import KFold, cross_val_score
from scipy.stats import ttest_ind

# 假设有两个模型
from sklearn.linear_model import LogisticRegression
from sklearn.svm import SVC

# 加载数据集
from sklearn.datasets import load_iris
data = load_iris()
X, y = data.data, data.target

# 定义模型
model_a = LogisticRegression()
model_b = SVC()

# 进行k折交叉验证
kf = KFold(n_splits=5, shuffle=True, random_state=42)
scores_a = cross_val_score(model_a, X, y, cv=kf)
scores_b = cross_val_score(model_b, X, y, cv=kf)

# 进行t检验
t_statistic, p_value = ttest_ind(scores_a, scores_b)

print(f'Model A 得分: {scores_a}')
print(f'Model B 得分: {scores_b}')
print(f'T statistic: {t_statistic:.2f}')
print(f'P value: {p_value:.2f}')

## 输出结果：
'''
Model A 得分: [1.         1.         0.93333333 0.96666667 0.96666667]
Model B 得分: [1.         1.         0.93333333 0.93333333 0.96666667]
T statistic: 0.34
P value: 0.74
'''

在上述代码中，我们使用了LogisticRegression和SVC两个模型，并对Iris数据集进行了5折交叉验证。

通过比较两个模型在交叉验证中的性能差异，我们可以使用t检验来判断它们的性能是否存在显著差异。

2.3. McNemar 检验

McNemar 检验适用于比较两个相关样本的比例差异，常用于评估两个模型在相同测试集上的分类错误率。

python 复制代码

from statsmodels.stats.contingency_tables import mcnemar
import numpy as np

# 示例数据：二分类问题的预测结果
# 行为实际分类，列为预测分类
#        预测: 1    预测: 0
# 实际: 1  [10,      5]
# 实际: 0  [3,      12]

data = np.array([[10, 5],
                 [3,  12]])

# 执行 McNemar 检验
result = mcnemar(data, exact=True)

print("McNemar 检验统计量:", result.statistic)
print("p 值:", result.pvalue)

## 运行结果：
'''
McNemar 检验统计量: 3.0
p 值: 0.7265625
'''

上面的代码直接使用了statsmodels库的mcnemar方法。

2.4. Friedman 检验和 Nemenyi 检验

Friedman检验是一种非参数检验方法，用于比较多个算法在多个数据集上的整体表现性能。

如果Friedman检验结果显示算法之间存在显著差异，则可以使用Nemenyi检验进行后续比较，以确定哪些算法之间存在显著差异。

代码示例如下：

python 复制代码

import numpy as np
from scipy.stats import friedmanchisquare

# 示例数据：每个子列表表示一个被试的不同条件下的观测值
# 例如，三种不同的处理 (A, B, C) 对于每个个体的效果
data = [
    [100, 25, 30],  # 第一位被试的观测值
    [200, 35, 15],  # 第二位被试的观测值
    [300, 20, 25],  # 第三位被试的观测值
    [250, 10, 35],  # 第四位被试的观测值
    [150, 30, 20],  # 第五位被试的观测值
    [350, 15, 20],  # 第六位被试的观测值
]

# 转换为 NumPy 数组
data = np.array(data)

# Friedman 检验
statistic, p_value = friedmanchisquare(
    data[:, 0],
    data[:, 1],
    data[:, 2],
)
print("Friedman 检验统计量:", statistic)
print("Friedman 检验 p 值:", p_value)

# 如果 Friedman 检验显著，进行 Nemenyi 检验（或 Tukey HSD 作为替代）
if p_value < 0.05:
    print("Friedman 检验显著，进行后续比较...")

    # 使用 Tukey HSD 进行后续多重比较
    from statsmodels.stats.multicomp import MultiComparison

    # 创建 MultiComparison 对象
    mc = MultiComparison(
        data=[data[:, 0], data[:, 1], data[:, 2]], groups=["A", "B", "C"]
    )

    # 执行 Tukey HSD 检验
    result = mc.tukeyhsd()

    # 输出结果
    print(result.summary())
else:
    print("Friedman 检验不显著，无需进行后续比较。")

运行上述代码后，会看到一个较小的** p 值**（小于 0.05），这表明 Friedman 检验检测到不同条件之间存在显著差异。

随后，代码会执行 Tukey HSD 检验来进一步比较哪些条件之间存在显著差异，并输出结果。

3. 各种比较检验方法的比较

这几种比较检验方法的优缺点和适用范围对比如下表：

检验方法	优点	缺点	适用范围
假设检验	简单易用，适用于比较两个模型	假设数据服从正态分布，对样本量有一定要求	比较两个模型在单一数据集上的性能
交叉验证 t 检验	结合了交叉验证，结果更可靠	计算量较大，仍假设数据服从正态分布	比较两个模型在多个数据集上的性能
McNemar 检验	适用于比较两个模型在相同测试集上的分类错误率	只考虑错误分类的情况，信息利用不充分	比较两个模型在单一数据集上的性能
Friedman 检验和 Nemenyi 检验	能够比较多个模型在多个数据集上的性能，适用于非参数数据	计算复杂，解释结果需要一定的统计学知识	比较多个模型在多个数据集上的性能

4. 总结

本文系统地介绍了模型比较检验的概念、作用、常用方法及其适用场景，并通过 scikit-learn 代码示例详细演示了每种方法的实现过程。

在实际应用中，应根据具体的数据特点、模型数量和比较需求，灵活选择合适的比较检验方法，以确保模型评估结果的准确性和可靠性。

比较检验：找出最佳机器学习模型

1. 什么是比较检验

2. 常用的比较检验方法

2.1. 假设检验

2.2. 交叉验证t检验

2.3. McNemar 检验

2.4. Friedman 检验和 Nemenyi 检验

3. 各种比较检验方法的比较

4. 总结