Hypoteesien testaus
Nollahypoteesi, p-arvo, t-testi ja khiin neliö -testi scipy.statsilla.
Hypoteesien testaus on ilmainen Oppikaa tekoälyä Pythonilla-oppitunti CoddyKitissä. Tämä on oppitunti 3/4. Voit lukea tästä oppimispolusta kokonaan mitkä tahansa 3 oppituntia ilmaiseksi — sen jälkeen CoddyKit PRO avaa kaikki oppitunnit sekä käytännön harjoittelun sisäänrakennetulla koodieditorilla ja ympäri vuorokauden toimivalla tekoälytuutorilla. Oppitunti kuuluu Oppikaa tekoälyä Pythonilla-oppimispolkuun, ja edistymisesi synkronoituu verkon ja CoddyKit-sovelluksen välillä. Oppikaa tekoälyä Pythonilla-kurssilla on yhteensä 4 oppituntia.
Mikä on hypoteesitesti
Hypoteesitesti käyttää aineistoa ratkaistakseen, onko havaittu vaikutus todellinen vai pelkkää satunnaisvaihtelua. Sen avulla data-analyytikot perustelevat väitteitä, kuten ”uusi ulkoasu lisäsi klikkauksia”.
Nollahypoteesi ja vaihtoehtoinen hypoteesi
Nollahypoteesi H0 väittää, ettei vaikutusta ole (oletus eli skeptinen lähtökohta). Vaihtoehtoinen hypoteesi H1 väittää, että vaikutus on olemassa. Pyrimme keräämään näyttöä H0:aa vastaan.
p-arvo
p-arvo on todennäköisyys havaita näin äärimmäisiä aineistoarvoja, JOS H0 olisi tosi. Pieni p-arvo tarkoittaa, että aineisto on H0:n vallitessa yllättävä, joten suhtaudumme H0:aan epäillen.
Merkitsevyystaso
Vertaamme p:tä kynnysarvoon alfa (yleensä 0,05). Jos p < alpha, hylkäämme H0:n; muuten emme hylkää sitä. Alfa on hyväksyttävä väärien positiivisten tulosten osuus.
Mitä p-arvo EI tarkoita
p-arvo EI ole todennäköisyys sille, että H0 on tosi, eikä se ole vaikutuksen suuruus. Erittäin pieni p-arvo suuressa otoksessa voi kuvata käytännössä merkityksettömän pientä eroa. Ilmoittakaa aina myös vaikutuksen suuruus.
Yhden otoksen t-testi
ttest_1samp tarkistaa, poikkeaako otoksen keskiarvo tunnetusta arvosta, esimerkiksi poikkeaako keskimääräinen vasteaika 200 millisekunnin tavoitteesta.
from scipy import stats
import numpy as np
times = np.array([198, 205, 210, 195, 220, 208])
t, p = stats.ttest_1samp(times, popmean=200)
print(t, p)Kahden otoksen t-testi
ttest_ind vertaa kahden RIIPPUMATTOMAN ryhmän keskiarvoja. Tämä on A/B-testien tavallinen analyysi.
control = np.array([20, 22, 19, 24, 21])
treat = np.array([25, 27, 24, 29, 26])
t, p = stats.ttest_ind(control, treat)
print(t, p) # small p -> groups differTuloksen tulkinta
Verratkaa p-arvoa alfaan ja esittäkää johtopäätös selkokielisesti. Tilastollinen merkitsevyys on päätös, ei varmuuden osoitus.
alpha = 0.05
if p < alpha:
print("Reject H0: the groups differ significantly")
else:
print("Fail to reject H0: no significant difference")Khiin neliö -riippumattomuustesti
chi2_contingency testaa, liittyvätkö kaksi LUOKITELTUA muuttujaa toisiinsa, käyttämällä määrien ristiintaulukkoa.
table = np.array([[30, 10], [20, 40]]) # rows: group, cols: outcome
chi2, p, dof, expected = stats.chi2_contingency(table)
print(chi2, p)Tyypin I ja tyypin II virheet
Tyypin I virhe (väärä positiivinen tulos) hylkää todellisen H0:n; sen osuus on alfa. Tyypin II virhe (väärä negatiivinen tulos) ei hylkää virheellistä H0:aa; sen osuus on beeta. Testin voima = 1 - beta on todennäköisyys havaita todellinen vaikutus.
Kompromissit
Alfan pienentäminen vähentää vääriä positiivisia tuloksia, mutta kasvattaa väärien negatiivisten tulosten osuutta (pienentää testin voimaa). Suuremmat otokset vähentävät molempia virhetyyppejä, minkä vuoksi otoskoon suunnittelu ennen koetta on tärkeää.
Pikatarkistus
Testatkaa hypoteesitestausta koskevat tietonne.
Kertaus
Hypoteesitestauksen perusteet:
- H0 (ei vaikutusta) vs H1 (vaikutus); kerätkää näyttöä H0:aa vastaan
- p-arvo = P(data näin äärimmäistä | H0); hylätkää, jos p < alpha
- p EI ole P(H0 true) eikä vaikutuksen suuruus
ttest_1samp,ttest_ind,chi2_contingency- Tyypin I virhe (väärä positiivinen, osuus alfa) vs. tyypin II virhe (väärä negatiivinen, osuus beeta); testin voima = 1-beta
Opi Python tekoälytuutorin avulla — ilmaiseksi
Kirjoita ja suorita oikeaa koodia selaimessa, saa välitöntä apua tekoälytuutorilta ympäri vuorokauden ja jatka siitä, mihin jäit, verkossa tai sovelluksessa.
- Kurssit
- 53
- Oppitunnit
- 225
Usein kysytyt kysymykset
Onko oppitunti ”Hypoteesien testaus” ilmainen?
Kyllä — voit lukea täällä verkossa kokonaan ilmaiseksi mitkä tahansa Oppikaa tekoälyä Pythonilla-oppimispolun 3 oppituntia, myös oppitunnin “Hypoteesien testaus”. Sen jälkeen CoddyKit PRO avaa kaikki oppitunnit sekä interaktiiviset harjoitukset sisäänrakennetulla koodieditorilla ja ympäri vuorokauden toimivalla tekoälytuutorilla. Oppikaa tekoälyä Pythonilla-kurssilla on yhteensä 4 oppituntia.
Mitä opin oppitunnilla ”Hypoteesien testaus”?
Nollahypoteesi, p-arvo, t-testi ja khiin neliö -testi scipy.statsilla. Harjoittelet Oppikaa tekoälyä Pythonilla-aihetta koodilla, jonka suoritat suoraan selaimessa. Ympäri vuorokauden käytettävissä oleva tekoälytuutori vastaa kysymyksiisi oppitunnin aikana.
Tarvitsenko kokemusta aloittaakseni Oppikaa tekoälyä Pythonilla-opiskelun?
Aiempi kokemus ei ole tarpeen. CoddyKitin Oppikaa tekoälyä Pythonilla-oppimispolku sopii vasta-alkajista edistyneisiin, joten voit aloittaa tästä tai alusta ja edetä omaan tahtiisi. Tämä on oppitunti 3/4.
Kuinka kauan ”Hypoteesien testaus”-oppitunnin suorittaminen kestää?
Useimmat CoddyKitin oppitunnit kestävät noin 5–10 minuuttia. Jokainen oppitunti on lyhyt ja interaktiivinen, joten edistyt tasaisesti ja voit jatkaa siitä, mihin jäit – sekä verkossa että sovelluksessa.
Voinko kirjoittaa ja suorittaa koodia tällä Oppikaa tekoälyä Pythonilla-oppitunnilla?
Kyllä. Jokainen Oppikaa tekoälyä Pythonilla-oppitunti sisältää sisäänrakennetun koodieditorin, joten voit kirjoittaa ja suorittaa oikeaa koodia suoraan selaimessa ja saada välitöntä palautetta tekoälyltä – paikallista asennusta ei tarvita.
Kaikki tämän kurssin oppitunnit
- Kuvailevat tilastot ja jakaumat
- Todennäköisyys ja Bayesin teoreema
- Hypoteesien testaus
- Korrelaatio ja kovarianssi