Uji Non-parametrik

Inferensi, estimasi, dan pengambilan keputusan dari data

uji-t bersandar pada asumsi: data kira-kira normal. Saat itu gagal (sampel kecil, miring jelas, ekor tebal, data ordinal) uji non-parametrik masuk. Mereka hampir tidak membuat asumsi tentang bentuk distribusi, biasanya dengan bekerja pada rank alih-alih nilai mentah.

Dua andalan. Uji Wilcoxon signed-rank adalah pasangan non-parametrik untuk uji-t berpasangan (pasangan cocok). Uji Mann–Whitney U adalah pasangan untuk uji-t dua-sampel (dua kelompok independen). Keduanya bertanya "apakah ini cenderung lebih besar?" tanpa berasumsi normalitas.

Bayangkan menilai sebuah perlombaan lari ketika stopwatch-nya rusak. Anda tidak bisa membaca waktu selesai yang pasti, namun Anda masih bisa melihat siapa yang melewati garis pertama, kedua, dan ketiga. Urutan selesai itu, peringkatnya, sudah cukup untuk menyatakan seorang pemenang, dan tidak peduli apakah perbedaan waktunya adalah 10 detik atau 10 menit. Pengujian non-parametrik bekerja dengan cara yang sama: mereka mengganti nilai-nilai mentah dengan peringkat, sehingga beberapa pencilan liar atau distribusi berat sebelah tidak dapat mendistorsi putusan akhirnya.

Di mana ini berlaku dalam MLSaat membandingkan akurasi model, skor sering segelintir angka non-normal, sempurna untuk uji non-parametrik. Uji permutasi khususnya favorit untuk ML karena membuat hampir tidak ada asumsi dan beradaptasi dengan statistik uji apa pun yang Anda peduli, termasuk metrik kustom aneh. Mereka robust persis di mana t-test gugup.
▶ Uji Non-parametrik
← Pengujian BergandaRegresi Linear Sederhana →