ML | Kolmogorov-Smirnov 测试
哎哎哎:# t0]https://www.geeksforgeeks.org/ml-Kolmogorov-Smirnov-test/
科尔莫戈罗夫-斯米尔诺夫测试是一种非常有效的方法，可以确定两个样本是否存在明显差异。它通常用于检查随机数的一致性。均匀性是任何随机数发生器最重要的特性之一，可以使用 Kolmogorov-Smirnov 测试来测试它。 Kolmogorov–Smirnov 检验也可用于检验两个基础一维概率分布是否不同。这是一种非常有效的方法，可以确定两个样本是否存在显著差异。
科尔莫戈罗夫-斯米尔诺夫统计量量化样本的经验分布函数和参考分布的累积分布函数之间的距离，或者两个样本的经验分布函数之间的距离。
为了使用检验随机数一致性的测试，我们使用了 U[0，1]的 CDF(累积分布函数)。
F(x)=x for 0<=x<=1
经验 CDF，Sn(x)= (number of R1, R2...Rn < x) / N array of random numbers，随机数必须在[0，1]范围内。
使用的假设–
H 0 (零假设):零假设假设数字在 0-1 之间均匀分布。 如果我们能够拒绝零假设，这意味着数字不是均匀分布在 0-1 之间。未能拒绝零假设，虽然不一定意味着数字遵循均匀分布。
*kstest*scipy Python 中的函数–
参数:
统计:这是 D 的计算值，其中
D=|F(x)-Sn(x)|。 - >这个 D 和 Dα比较，其中α是显著性水平。α定义为假设零假设(H 0 )为真，拒绝零假设的概率。对于大多数实际应用，α被选择为 0.05。p 值:这是借助 D. - >计算出来的如果 p 值>α，我们就无法拒绝零假设。否则，我们得出结论，这些数字是不一致的。理想情况下，p 值应该尽可能大。对于完美均匀分布，p 值=1，Statisitics = 0。
from scipy.stats import kstest
import random
# N = int(input("Enter number of random numbers: "))
N = 5
actual =[]
print("Enter outcomes: ")
for i in range(N):
# x = float(input("Outcomes of class "+str(i + 1)+": "))
actual.append(random.random())
print(actual)
x = kstest(actual, "uniform")
print(x)
输出:
KS Test是一种非常强大的自动区分不同分布样本的方法。 kstest 功能也可以用来检查给定的数据是否符合正态分布。它比较了正态分布的观察到的和预期的累积相对频率。科尔莫戈罗夫-斯米尔诺夫检验使用观察到的和预期的累积分布之间的最大绝对差。
- 这里使用的零假设假设数字遵循正态分布。
- 该功能的功能保持完全相同。它再次返回统计数据和 p 值。如果 p 值
from scipy.stats import kstest
import random
# N = int(input("Enter number of random numbers: "))
N = 10
actual =[]
print("Enter outcomes: ")
for i in range(N):
# x = float(input("Outcomes of class "+str(i + 1)+": "))
actual.append(random.random())
print(actual)
x = kstest(actual, "norm")
print(x)
输出:
