【统计学习】5分钟了解假设检验中的第一类错误和第二类错误

多重检验校正 多重检验校正 总结: (1)当同一个数据集有n次(n>=2)假设检验时,要做多重假设检验校正 (2)对于Bonferroni校正,是将p-value的cutoff除以n做校正,这样差异基因筛选的p-value cutoff就更小了,从而使得结果更加严谨 (3)FDR校正是对每个p-value做校正,转换为q-value。q=p*n/rank,其中rank是指p-value从小到大排序后的次序。 单次检验的I类错误 假设检验是用于检验统计假设的一种方法,其基本思想是“小概率事件”原理,即小概率事件在一次 阅读详情
AI摘要

假设检验涉及两种错误:第一类错误(Type-IError)是错误地拒绝原假设,第二类错误(Type-IIError)是错误地接受原假设。第一类错误的概率由显著性水平α控制,而第二类错误的概率用β表示。这两者之间存在权衡,降低一种错误的风险通常会增加另一种错误的风险。在实际应用中,需要根据错误成本来平衡显著性水平的选择。


在假设检验中,第一类错误和第二类错误是两种可能的错误类型。

  • 第一类错误(Type I Error)指的是将原假设(null hypothesis)拒绝,但实际上原假设是正确的。在统计学中,原假设通常指的是某种情况不存在或某种关系不存在。第一类错误的概率被称为显著性水平(significance level),通常用α表示。如果显著性水平为0.05,则意味着在100次独立实验中,大约有5次会出现拒绝原假设的情况,但实际上原假设是正确的。
  • 第二类错误(Type II Error)指的是将原假设接受,但实际上原假设是错误的。第二类错误的概率通常用β表示,与第一类错误密切相关。当显著性水平α越小时,第一类错误概率越小,但第二类错误概率也会增加。

在假设检验中,第一类错误和第二类错误是一对矛盾的错误类型。通常会根据实际情况来选择显著性水平α,以平衡第一类错误和第二类错误的概率。

下面的本文就是对统计假设检验期间发生的 Type-I和 Type-II 错误的直观而详细的解释。
第一类错误和第二类错误

假设检验

假设检验是通过观察样本数据来检验围绕总体参数的假设的领域,因为我们很少有整体的数据,所以只能从整体中进行抽样观察。这通常是通过从假设的中性状态(称为原假设、零假设、虚无假设)开始并根据观察到的样本数据证明或反驳这一点来完成的。

  • 原假设 (H0) 是假设总体数据中的现状(无关系或无差异)的中性假设。
  • H1 是 H0 的备选项,称为备择假设也被称为对立假设。

**假设检验的基本思想是概率性质的反证法。**根据所考察问题的要求提出原假设和备择假设,为了检验原假设是否正确,先假定原假设是正确的情况下,构造一个小概率事件,然后根据抽取的样本去检验这个小概率事件是否发生。

假设检验过程如下:假设 H0 → 观察样本数据 → 拒绝或不拒绝 H0

我们假设中性H0为真,并在观察到的数据中寻找“拒绝”或“不拒绝”H0 的证据。根据观察到的样本数据,我们计算观察到的统计量和观察到的 P 值;例如:从我们观察到的样本中获得的假设 H0 为真的概率。

然后将该观察到的 P 值与预先确定的显著性水平(或 Alpha 值)进行比较。 此 Alpha 值充当阈值,超过该阈值会认为观察到的结果具有统计显着性。基于观察到的 P 值与预先选择的阈值 alpha 值的比较,就可以就假设的 H0 得出结论:

  • 观察到的 P 值 ≤ 预选 Alpha 级别 → 拒绝 H0
  • 观察到的 P 值 > 预选的 Alpha 级别 → 不拒绝 H0

由于观察到的 P 值是一个概率,因此总是有可能对“拒绝”或“不拒绝”原假设做出错误的判断。

在下图 1 中,左侧是假设的原假设 (H0) 总体分布,右侧是备择假设 (H1) 总体分布。(两者都是未知的和假设的,因为没有整体的数据,只是根据抽样的样本判断)。观察到的样本将位于这些分布的某个位置,基于此我们将得出关于我们的零假设 (H0) 的结论。
零假设分布与备择假设分布
图1 :零假设(H0)分布和备选假设(H1)分布

如果分布没有重叠,我们将永远不会在结论中观察到错误。 但是在实际情况中,它们几乎总是重叠的。Type-I 和 Type-II 错误发生在这两个分布重叠的地方。

需要说明的是:对于原假设, 我们可以根据在数据中观察到的证据“拒绝它”,也可以“不拒绝它”,因为观察到的数据没有带来足够的重要证据。

假设检验:可能性

实际上,H0 只有两个选项——它可以是 True 或 False。同样,根据观察到的数据,我们只能得出两个可能的结论——我们可以拒绝 H0 或不拒绝 H0。其实这就变成了一个二分类的问题,H0是正确的还是错误的

  • (1)H0 是真,但是拒绝 H0
  • (2)H0 是真,不拒绝 H0
  • (3)H0 是假,拒绝 H0
  • (4)H0 是假,不拒绝 H0

(2)和(3),我们正在根据观察到的数据做出正确的结论。(1)和 (4),我们得出了错误的结论,因为观察到的数据发现与现实背道而驰。在场景 (1) 和 (4) 中,就是本文要解释的 Type-I 和 Type-II 错误。

如果对统计学不了解,但是知道一些机器学习的理论的话,可以使用下面的类比方法:上面的1-4其实就是我们一直说的混淆矩阵,2,3是分类正确的值,即 TP 和 TN,1,4则是FP和FN。

Type-I 第一类错误

Type-I错误是指当原假设实际上为真时拒绝原假设的场景。根据我们观察到的数据得出结论是观察到的结果在现实中具有统计意,但是我们认为它是无意义的。

如上所述,“拒绝”或“不拒绝”零假设取决于观察到的 P 值和预先确定的 alpha 值。所以在某些情况下,真实的原假设将被拒绝,因为观察到的 P 值将小于预先选择的 Alpha 水平。这就是Type-I错误的内容: False-Positive

对于Type-I错误场景:

  • 真实情况H0 对总体为真
  • 观察结论拒绝H0

对于对总体正确的原假设,如果我们反复采样,可以得到原假设分布曲线,显示所有可能观察到的样本结果的概率。(下图2左侧H0分布)

当我们观察一个样本时,我们拒绝 H0,这意味着这个观察到的样本必须位于 H0 分布曲线的最右侧,与 H1 分布曲线重叠。下图 2 表示这种情况:
Type-I错误的概率
图2:Type-I错误的概率

Type-I错误的区域,称为临界区域,表示在零假设分布曲线的右尾端。这是由我们预先选择的 Alpha 值决定的。

如果我们观察到的结果落在这个区域,我们将拒绝零假设(对于这些场景,观察到的 p 值<Alpha)。由于 H0 在现实中是正确的,我们会得出False-Positive结论。

Type-II 第二类错误

Type-II错误是指当原假设实际上是错误的时不拒绝它的场景。根据我们观察到的数据得出的结论是,观察到的结果在实际上并不具有统计学意义,但是我们认为它是有意义的。 Type-II错误:False-Negative

这可能由于缺乏证据而发生,即我们的研究可能没有足够的统计能力来检测一定的效应大小。犯Type-II错误的概率用 Beta 表示。统计研究的功效(Power )定义为,Power = 1 - Beta。所以可以通过确保的研究具有较高的统计功效来减少犯Type-II错误的机会。

对于 Type-II 错误:

  • H0 对总体为假
  • 观察结论不拒绝H0

对于对总体错误的零假设,如果我们反复从总体中抽取样本,我们将得到一条备择假设分布曲线,显示所有可能观察到的样本结果的概率。(下图3右侧H1分布)

由于我们正在观察一个样本,因此我们没有证据拒绝 H0。这意味着这个观察到的样本必须位于 H1 分布曲线的最左侧,与 H0 分布曲线重叠(请参见下面的图3 代表这种情况)
TypeII错误
图3:Type-II错误的概率

Beta 是 Type-II错误率,由左侧的阴影区域表示。 右边的剩余区域代表统计功效(Power)。

如果观察到的结果落在该区域内,将无法拒绝零假设,即使我们知道 H0 对于总体而言是错误的。所以得出一个False-Negative结论。

举个例子

在假设检验中通过将观察值与预先确定的截止值 (Alpha) 进行比较来“拒绝”或“不拒绝”假设。所以考虑以下使 Alpha 越来越低的情况:

情况1:如果 Alpha变得更严格(即 Alpha 的值越小),在拒绝 H0 方面的限制就会更严格,而在不拒绝 H0 方面的限制会更小。这会导致不太可能拒绝 H0,更有可能不拒绝 H0。

  • 在真实情况中 H0 为True的情况下,拒绝 H0 的可能性较小会导致Type-I错误比以前更少。
  • 在真实情况中 H0 为 False 的情况下,更可能不拒绝 H0 将导致比以更多的 Type-II 错误。

情况2:如果 Alpha 级别变得不那么严格(即更高的 Alpha 值),在拒绝 H0 方面的限制将更少,而在不拒绝 H0 方面的限制更大。这会导致更有可能拒绝 H0,不太可能不拒绝 H0。

  • 在真实情况中 H0 为True的情况下,更有可能拒绝 H0 将导致以更多的 Type-I错误。
  • 在真实情况中 H0 为 False 的情况下,不太可能不拒绝 H0 将导致Type-II错误比以前更少。

因此显然存在二者的权衡,因为2类的错误是相关的,当一个增加另一个减少时,反之亦然。

从下图 4 可以看出,如果 Alpha 增加,则 Beta 减少,如果 Beta 减少,则 Alpha 将增加。
发生Type-I和 Type-II 错误的概率
图4:发生Type-I和 Type-II 错误的概率

哪个类的错误更糟糕呢?没有简单的答案,因为都取决于被检验的假设和做出错误结论的成本评估:如果Type-I 的成本较高,则应尽量避免如果制作Type-II成本高,也应该优先考虑。

但是通常认为Type-I误会产生更多后果,因为 Type-I错误意味着违背现状(H0)的假设,并可能导致引入新的变化,现有的状况产生更坏的影响。 而 Type-II 错误意味着无法拒绝对现状 (H0) 的假设,并且可能只会导致错失机会。

总结

假设检验是数据科学中一个非常重要的概念。统计的力量使我们能够对总体做出假设,观察数据样本以使我们能够拒绝或不拒绝我们的假设并得出结论。
假设检验有两种可能的错误——Type-I错误和Type-II错误。假设检验过程:假设一个中性 H0 → 观察数据(将观察到的 P 值与预先确定的 alpha 水平进行比较)→ 拒绝或不拒绝 H0。

  • Type-I错误:False-Positive
  • Type-II错误:False-Negative

Type-I 和 Type-II 错误相互影响相反。减少一个总是增加另一个,反之亦然。一般来说,Type-I 错误被认为Type-II 错误更重要。但是,也要取决于被检验的假设以及围绕我们的假设得出这些错误结论的成本。

参考资料

  1. 假设检验中的第一类错误和第二类错误
统计学习第十周-假设检验 学习内容: 原假设、备择假设、两类错误、显著性水平、P值、单侧检验、双侧检验 假设检验的分类:一个总体参数的检验、总体均值的检验、总体比例的检验、总体方差的检验;两个总体参数的检验、两个总体均值之差的检验,两个总体比例之差的检验,两个总体方差比的检验 一、基本概念 参数估计和假设检验区别 参数估计讨论的是样本统计量估计总体参数的方法;假设验证则是对值进行一个假设,然后利用样本信息去检验这个假设... 阅读详情

相关推荐

Power analysis 和 Type II error(选取多大的sample size)

在这篇blog中(中心极限定理,Bootstrap CI_小白的博客-优快云博客)我们简单讲了abtest中,尽力满足中心极限定理,因而需要满足的抽样的三个条件:large sample size;independent;mean difference。其中large sample size,我们只描述了要>=355*中心极限定理,Bootstrap CI_小白的博客-优快云博客。在这基础上,sample size还需要进一步满足什么条件,才能得到真正有效力的结果呢?这就需要涉及对statist.

小白的博客 3199

第一型错误与第二型错误( I 型错误 II 型错误)

简介 我们不妨先看下定义: 第一类错误:原假设是正确的,却拒绝了原假设。 第二类错误:原假设是错误的,却没有拒绝原假设。 第一类错误即 I 型错误是指拒绝了实际上成立的H0,为“弃真”的错误,其概率通常用α表示,这称为显著性水平。α可取单侧也可取双侧,可以根据需要确定α的大小,一般规定α=0.05或α=0.01。 第二类错误即 II 型错误是指不拒绝实际上不成立的H0,为“存伪”的错误,其概率通常用β表示。β只能取单尾,假设检验时一般不知道β的值,在一定条件下(如已知两总体的差值δ、样本含...

wangprince2017 6万+

数据库丢失更新:第一类与第二类并发冲突深度解析

丢失更新是数据库并发控制中的核心一致性问题,本质源于‘读-算-写’操作链的时间窗口竞争。其原理分为两类:第一类由脏读+回滚引发(脏写回),依赖低隔离级别如READ UNCOMMITTED;第二类由两个成功事务基于相同旧值计算后覆盖写入,MVCC机制下REPEATABLE READ亦无法规避。技术价值在于保障金融、电商、协作编辑等强一致场景的数据准确性;典型应用场景包括账户余额变更、库存扣减、投票计数等。本文聚焦两类丢失更新的机制差异、binlog诊断特征及悲观锁/乐观锁工程落地,直击‘测试不现、生产丢数’这

weixin_34290631的博客 350

通俗易懂解释一类和二类错误(Type I Error Type II Error)

通俗易懂解释一类和二类错误(Type I Error Type II Error) 作者 KULDEEP PATEL 翻译自False Positive (Type I Error) and False Negative (Type II Error) 本文涵盖以下与“误报False Positive和漏报False Negative”及其在机器学习领域中的意义有关的主题: 解释 3个案例 Python代码(Scikit-Learn) 我们如何衡量分类问题中的错误? 还想获得更多相关内容?:有关医学检验

xzy565143480的博客 3万+

数据分析【假设检验】三

某饮料厂在自动流水线上罐装饮料。在正常生产情形下,每瓶饮料的容量(单位:ml)X服从正态分布N(500,102经过一段时间之后,为了检查机器工作是否正常,抽取了9瓶样品,测得它们的平均值为490ml.试问此时自动流水线的工作是否正常?即问是否可以认为每瓶饮料的容量仍是500ml?假定标准差10ml不变。假设检验是统计推断的另一种重要的形式;假设检验问题就是研究如何根据样本来检验抽样前所作出的假设;假设检验的要素1、假设零假设(H0假设)– 没有任何事情发生备择假设(H1假设)

qq_44838729的博客 1492

统计学假设检验的两类错误

1、两类错误的解释 我们之前探讨了假设检验的基本思想,现在我们来介绍下两类错误。 假设检验的最终目的是:去伪存真, 那么它对应的两类错误就是弃真存伪。 接受或拒绝H0,都可能犯错误 I类错误——弃真错误,发生的概率为α II类错误——取伪错误,发生的概率为β 为了更形象点说明这两类错误,我们看下下面这个图片: 对于正常情况下对于上面实例的假设检验应该为: H...

Andy_shenzl的博客 4万+

【假设检验实战指南】从零到一:核心假设构建与统计量公式速查手册

本文提供假设检验的实战指南,从核心假设构建到统计量公式速查,帮助读者科学区分数据差异的显著性。涵盖均值检验、比例检验、方差分析等常见场景,并分享实用速查表和避坑技巧,助力业务决策。

weixin_42648844的博客 356

14、统计学中的置信区间与假设检验

本文介绍了统计学中的两个核心概念——置信区间和假设检验。随着置信度的提高,置信区间的范围会扩大。假设检验部分详细阐述了原假设与备择假设的定义、检验步骤以及常见的检验类型,包括单样本t检验和卡方检验。通过具体示例和代码演示了如何进行假设检验,并讨论了p值的使用注意事项以及可能产生的错误。最后,还介绍了卡方拟合优度检验及其应用场景。

z4a5b6的博客 121

七、第一类买点

一买定义; 成功率高的两类一买; 一买的买入方法: 1. 底分型直接买入(30%情况); 2. 底分型停顿法; 3. 验证底分型; 4. 区间套 第一类买点实战 步骤: 一、跌幅榜中筛选潜在个股(海选、精选、淘汰); 二、从潜在个股中寻找一买点(准备工作、寻找背驰段、寻找底分型、买入、设定离场规则); 三、买入后操作; 四、案例分析; 五、一买出错: 1. 导致一买不盈利的原因; 2. 一买进场出错的应对 一买个股的高级再精选: 1. 成交量的影响; 2. 大周期位置的影响;

Jibeon的学习之路 1万+

扣子(coze)实战|手把手教你搭建AI换装自动化工作流

摘要:本文介绍了使用Coze平台搭建AI换装工作流的详细教程。工作流包含模特图片上传、服装替换、任务提交和智能轮询等模块,通过change_model插件实现异步换装处理,并内置30秒循环查询机制。该工具支持自定义API密钥对接不同AI服务商,目前已上线共享空间并提供会员服务(59.8元/年)和VIP课程(499元/年),包含100+智能体和实战案例资源。完整体验地址见文中链接。

yueyehuguang的博客 1846

如何使用C#自带的GDI+双缓冲类BufferedGraphics实现双缓冲功能

小白摸索着编写一个上位机界面,将遇到的问题及解决方法记录下,以供后来的小白使用哈。这篇文章解决的问题是在绘图时候的闪烁问题。其中网上有些介绍的设置控制方式controlstyle的方法,这个方法我的理解是比较适合于在一个完整的窗口当中绘图。如果要在一个窗口当中的内部容器或者控件内画图的话就不太适合,通常按照前述的方法设置后没有任何效果。对于在窗口内部的绘图的来说,比较有效的方法是在内存当中开辟一块

z20110411的博客 4797

假设检验实战指南:从P值到A/B测试,掌握数据分析决策核心

在数据分析与统计推断领域,假设检验是验证数据结论可靠性的基石性方法。其核心原理是通过设定原假设与备择假设,利用样本数据计算P值,并与预先设定的显著性水平比较,从而判断观测到的差异是否由随机波动导致,还是具有统计显著性。这项技术的核心价值在于,它为决策提供了量化不确定性的科学框架,能有效控制第一类错误(弃真)和第二类错误(取伪)的风险。在实际应用中,假设检验是A/B测试、产品效果评估、医学试验和金融风控等场景中评估策略效果、验证模型有效性的关键工具。无论是互联网行业通过A/B测试优化点击率,还是金融领域验证风

weixin_28709649的博客 244

字节跳动消息队列深度剖析:从BMQ架构到重复消费实战

消息队列作为分布式系统的核心基础设施,承担着解耦、异步、削峰填谷的关键职责。从Kafka到自研BMQ,字节跳动通过存储计算分离架构与EC纠删码技术解决了海量数据下的存储成本与扩展性难题。深入理解Topic、Partition、Consumer Group与Offset机制,是掌握消息队列原理的基础。消息重复消费无法完全避免,需通过幂等设计、手动提交Offset等手段兜底。同时,从嵌入式FreeRTOS消息队列到分布式消息中间件,生产者-消费者模型一脉相承。本文结合字节跳动内部实践,剖析消息队列架构演进、重复

weixin_29061509的博客 222

统计学~假设检验【第八周】

概述 假设检验分为假设和检验两个步骤:假设是指对事物总体的参数设立成对假设;检验是指检验设定的假设是否成立。即先提出假设,再验证假设是否合理。 基本概念 为了方便描述,引入硬币实验:扔100次硬币,有90次正面,10次反面。 需要对硬币是否均匀做出假设。 原假设 硬币是均匀的 备择假设 备择假设与原假设一般是对立的:硬币不是均匀的 显著性水平 设定好原假设与备择假设之后,再检验之前,需要设定一个标...

夫唯不争,故天下莫能与之争。 2538

用C#完成最小二乘法拟合平面方程,再计算点到面的距离

【代码】用C#完成最小二乘法拟合平面方程,再计算点到面的距离。

MechMaster 649

高级计算机体系结构--三次作业

中科大 高级计算机体系结构 作业

一杯水果茶!足矣~ 1397

推断统计分析 —— 假设检验、Z 检验

本文介绍了推断统计学中的假设检验原理与应用(附完整代码)。主要内容包括:1、假设检验的基本框架;2、Z检验的应用;3、检验类型区分:根据问题需求选择双边检验或单边检验(左/右侧),对应不同的P值计算方法;4、两类错误分析:第一类错误(弃真)和第二类错误(取伪)的关系,以及在实际案例(如法庭判案、质量控制)中的表现。5、实践案例:通过3个习题展示了不同场景下Z检验的应用,包括客户投诉分析、服务质量评估和工艺水平检验。

qq_41539264的博客 226

数字IC行业笔试面试全攻略

数字IC行业迎来快速发展,国产替代加速,技术创新活跃,应用领域持续扩展,但人才缺口扩大。职业发展路径清晰,从初级到首席工程师/架构师的技术路线,或转向管理岗位。薪资待遇优厚,应届生起薪25-35W,5-10年经验可达70-110W,架构师年薪超百万。薪资受公司平台、技术方向、学历背景、项目经验和地域因素影响。AI芯片、汽车电子等热门方向溢价明显,成功流片经验尤其重要。

2301_79143213的博客 761

平台登录时,1分钟内连续错误5次建议锁定帐号5分钟。

登录controller package com.zx.znydweb.controller; import java.util.HashMap; import java.util.Map; import javax.servlet.http.Cookie; import javax.servlet.http.HttpServletRequest; import javax...

weixin_30394981的博客 2897

RNA-seq分析:Step8(富集分析)

RNA-seq富集分析是一种用于分析基因表达数据中特定基因或通路是否富集的分析方法。其基本思想是比较不同基因对应的转录本/基因之间的表达差异及其对应的基因注释信息,通过统计学方法评估差异的显著性,从而确定是否存在某些特定的功能通路或基因集合富集的情况。常用的RNA-seq富集分析工具包括GOseq、KEGG(KEGG enrichment analysis)、DAVID(Database for Annotation, Visualization and Integrated Discovery)等。这

沉香best的博客 3634

【EPS精品教程】EPS2016三维测图版安装教程(附EPS2016安装包下载地址)

EPS地理信息工作站是北京清华山维新技术开发有限公司历经十五年精心研发和打造,为满足“以地理信息服务为中心”的信息化测绘生产需求而推出的测绘生产活动多种业务模块集成化软件系统。主要功能有:(1)测绘与地理信息多业务模块集成管理;(2)多元多尺度多种类数据集成管理;(3)跨平台异构数据转换;(4)数据监理;(5)自动缩编与综合;(6)坐标转换与动态投影;(7)地理信息模板定制;(8)GIS地理信息描述与CAD图形表达一体化支持;(9)GIS数据库更新维护;(10)图形打印与地图出版。 一、安装过程 EP..

智慧空间实验室 2万+

缠中说禅:三个买点和三个卖点(修改版)

篇首提示:本贴由股天乐根据缠中说禅的原创整理而成,本博转贴只是为了学习,望不对你的买卖产生误导。 先看一下有字天书,如果不能理解,我再给各位翻译翻译。 一个上涨趋势确定后,不可能再有第一类与第二类买点,只可能有第三类买点。 1、只有在下跌确立后的中枢下方才可能出现买点。这就是第一类买点。 2、第二类买点,不必然出现在中枢的上或下,可以在任何位置出现,中枢下出现的,其后的力度就值...

ywbhnay的专栏 7967

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

第8章 假设检验:从理论到实战,用数据验证你的猜想

本文深入解析假设检验的理论与实战应用,从业务问题转化为统计假设,到选择合适的检验方法(如Z检验、t检验等),再到解读P值与避免两类错误。通过真实案例演示如何验证用户留存率提升,帮助读者掌握数据驱动的决策方法。

weixin_38169722的博客 448

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

别再死记硬背了!用Python的SciPy库5分钟搞定正态分布均值假设检验

本文教你如何使用Python的SciPy库快速完成正态分布均值假设检验,告别传统繁琐的查表计算。通过单样本t检验和独立双样本检验的实战案例,详细展示如何用5行代码实现高效数据分析,特别适合A/B测试和产品优化场景。

weixin_33701251的博客 281

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

假设检验入门:从“奶茶甜度”到“产品AB测试”,彻底搞懂P值、α和两类错误

本文通过奶茶甜度和产品AB测试等生活化案例,深入浅出地讲解假设检验的核心概念,包括P值、显著性水平α和两类错误。文章结合Python代码示例,展示如何在实际业务场景中应用假设检验,帮助读者掌握这一数据分析必备技能,避免常见统计陷阱。

weixin_28267011的博客 273

6.假设检验——假设性检验的数学公式与SciPy和statsmodels代码实现

假设性检验的数学公式与SciPy和statsmodels代码实现

m0_63953077的博客 2196
上一篇: 【数据挖掘】一文了解特征归一化/标准化
下一篇: 【图神经网络】从0到1使用PyG手把手创建异构图
镰刀韭菜
博客等级 码龄12年 2万+粉丝 862原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值