授人以魚不如授人以漁，這篇文章會介紹 如何透過「統計學檢驗」來對比機器學習演算法效能 。掌握了這個方法後，我們就不需要再人雲亦雲，而可以自己分析演算法效能。
首先結論如下，在對比 兩個演算法 在 多個數據集 上的表現時：
在對比 多個演算法 在 多個數據集 上的表現時：
文章結構如下：(1-2) 演算法對比的原因及陷阱 （3-4) 如何對比兩個演算法 （5-6）如何對比多個演算法 （7）如何根據數據特性選擇對比方法 （8）工具庫介紹。
1. 為什麽需要對比演算法效能？
統計學家George Box說過：「All models are wrong, but some are useful」（所有模型都是錯誤，只不過其中一部份是有價值的）。通俗來說， 任何演算法都有局限性，所以不存在「通用最優演算法」，只有在特定情境下某種演算法可能是漸進最優的 。
因此，評估演算法效能並選擇最優演算法是非常重要的。不幸的是，統計學評估還沒有在機器學習領域普及，很多評估往往是在一個數據上的簡單分析，因此證明效果有限。
2. 評估演算法中的陷阱
首先我們常說的是要選擇一個 正確的評估標準 ，常見的有：準確率（accuracy）、召回率（recall）、精準率（precision）、ROC、Precision-Recall Curve、F1等。
選擇評估標準取決於目的和數據集特性。在較為平衡的數據集上（各類數據近似相等的情況下），這些評估標準效能差別不大。而在數據嚴重傾斜的情況下，選擇不適合的評估標準，如準確率，就會導致看起來很好，但實際無意義的結果。舉個例子，假設某稀有血型的比例（2%），模型只需要預測全部樣本為「非稀有血型」，那麽準確率就高達98%，但毫無意義。在這種情況下，選擇ROC或者精準率可能就更加適當。這方面的知識比較容易理解，很多科普書都有介紹，我們就不贅述了。
其次我們要正確理解 測量方法 ，常見的有
舉個例子，我們想要分析刷知乎時間（每天3小時 vs. 每天10小時）對於大學生成績的影響。如果我們使用相同的20個學生，觀察他們每天3小時和10小時的區別，那就是重復測量。如果我們選擇40個學生，分成兩組每組20人，再分別觀察那就是獨立測量。如果我們先找20個學生，再找20個和他們非常相似的大學生，並配對觀察，就是成對相似。
我們發現，當錯誤的理解測量方式時，就無法使用正確的統計學手段進行分析 。
在這篇文章中我們預設：評估不同演算法在多個 相同數據集 上的表現屬於 重復測量 ，而特例將會在第七部份討論。同時，本文介紹的方法 可以用於對比任何評估標準 ，如準確度、精準度等，本文中預設討論準確度。
3. 兩種演算法間的比較：不恰當方法
圖1展示了兩種決策樹方法（C4.5，C4.5+m）在14個數據集上的準確率。那麽該如何對比兩種演算法呢？先說幾種錯誤（不恰當）的方法：
不恰當方法1：求每個演算法在所有數據集上的均值，並比較大小 。錯誤原因：我們對於演算法在不同數據集上錯誤的期望不是相同的，因此求平均沒有意義。換句話說，數據不符合相稱性（commensurate）。
不恰當方法2 ： 進行配對樣本t檢測（Paired t test） 。顯然，t test是統計學方法，可以用來檢視兩種方法在每個數據上的平均差值是否不等於0。但這個方法不合適原因有幾點：
不恰當方法3：符號檢驗（sign test） 是一種無參數（non-parametric）的檢驗，優點是對於樣本分布沒有要求，不要求正態性。比較方法很簡單，就是在每個數據集上看哪個演算法更好，之後統計每個演算法占優的數據集總數。以這個例子為例，C4.5在2個數據集上最優，2個平手，10個最差。如果我們對這個結果計算置信區間，發現p<0.05需要至少在11個數據集上表現最優。因此這個方法的缺點有：
4. 兩種演算法間的比較：推薦方法
考慮到通用性，我們需要使用非參數檢驗。換句話說，我們需要保證對樣本的分布不做任何假設，這樣更加通用。
方法1：Wilcoxon Signed Ranks Test（WS ） 是 配對t檢驗的無參數版本 ，同樣是分析成對數據的差值是否等於0，只不過是透過排名（rank）而已。換個角度看，我們也可以理解為 符號檢驗的定量版本 。優點如下：
方法2（詳見第七部份）：Mann Whitney U test （MW）和WS一樣，都是無參數的且研究排名的檢驗方法。MW有以下特性：
換句話說，MW是當樣本量不同時才建議勉強一試，因為不符合獨立測量的假設。不同數據集的錯誤（準確率）不一定符合特定分布，很可能不符合相稱性，但在特定情況下有用，詳見第七部份。
總結：如果樣本配對且符合正態分布，優先使用配對t檢測。如果樣本不符合正態分布，但符合配對，使用WS。如果樣本既不符合正態分布，也不符合配對，可以嘗試MW。
5. 多種演算法間的比較：不恰當的方法
圖4提供了四種演算法（C4.5，C4.5+m，C4.5+cf，C4.5+m+cf）在14個數據集上的準確率。
不恰當方法1 ：一種看法是，我們是否可以把兩個演算法的對比推廣到多個演算法上。假設有k個演算法，我們是否可以對它們進行兩兩比較，經過 \frac{(1+(k-1))\times (k-1)}{2}=\frac{k^2-k}{2} 次計算得到一個矩陣。這個是經典的多元假設檢驗問題，這種窮舉法一般都假設了不同對比之間的獨立性，一般都不符合現實，需要進行校正，因此就不贅述了。
不恰當方法2 ： Repeated measures ANOVA 是經典的統計學方法，用來進行多樣本間的比較是，可以看做是t檢驗的多元推廣。ANOVA不適合對比演算法表現的原因如下：
不幸的是，我們想要對比的演算法表現不符合這個情況，因此ANOVA不適合。
6. 多種演算法間的比較：推薦的方法
我們需要找到一種方法同時解決第5部份中提到的問題，這個方法需要：
Demšar [1]推薦了非參數的多元假設檢驗 Friedman test 。Friedman也是一種建立在排名（rank）上的檢驗，它假設所有樣本的排序均值相等。具體來講，我們首先給不同演算法在每個數據集上排序，並最終計算演算法A在所有數據集上排名的均值。如果所有演算法都沒有效能差別，那麽它們的效能的平均排名應該是相等的，這樣我們就可以選擇特定的置信區間來判斷差異是否顯著了。
假設我們透過Friedman test發現有統計學顯著（ p <0.05），那麽我們還需要繼續做事後分析（post-hoc）。 換句話說，Friedman test只能告訴我們演算法間是否有顯著差異，而不能告訴我們到底是哪些演算法間有效能差異。想要定位具體的差異演算法，還需要進行post-hoc分析。
Friedman test一般配套的post-hoc是Nemenyi test，Nemenyi test可以指出兩兩之間是否存在顯著差異。我們一般還會對Nemenyi的結果視覺化，比如下圖。
另一個值得提的是，即使Friedman證明演算法效能有顯著不同，Nemenyi不一定會說明到底是哪些演算法間不同，原因是Nemenyi比Friedman要弱（weak），實在不行可以對必須分析的演算法成對分析。
方法2（詳見第七部份）：和兩兩對比一樣，在多個樣本對比時也有一些特定情況導致我們不能使用Friedman-Nemenyi。另一個或特許以值得一試的無參數方法是Kruskal Wallis test搭配Dunn's test（作為post-hoc）。 這種方法的特點是：
7. 再看重復測量和獨立測量
我們在第二部份分析了重復測量與獨立測量，而且假設機器學習效能的對比 應該是建立在「重復測量」上的，也就是說所有的演算法都在相同的數據集上進行評估 。
在這種假設下，我們推薦了無參數的：Wilcoxon對兩個演算法進行比較， Friedman-Nemenyi對多個演算法進行對比。
然而，「 重復測量」的假設不一定為真 。舉個例子，如果我們只有一個數據，並從數據中采樣（sample）得到了很多相關的測試集1, 2，3...n，並用於測試不同的演算法。
在這種情況下，我們就可以用Mann Whitney U test對比兩種演算法，Kruskal-Dunn對比多種演算法。 而且值得註意的是，這種情況常見於人工合成的數據，比如從高斯分布中采樣得到數據 。因此，要特別分析數據的測量方式，再決定如何評估。
8. 工具庫與實作
我們知道R上面有所有這些檢驗，著重談談Python上的工具庫。幸運的是，上文提到所有檢驗方法在Python上都有工具庫
Scipy Statistical functions ：Wilcoxon，Friedman，Mann Whitney
scikit-posthocs：Nemenyi，Dunn's test
文章的配圖來自於[1] 以及我的一篇paper [2]，接收後會補上reference。 文章的思路和脈絡基於[1]， 建議閱讀。[2]主要著力於特定情況，當重復測量失效時的檢驗。
[1] Demšar, J., 2006. Statistical comparisons of classifiers over multiple data sets. Journal of Machine learning research , 7 (Jan), pp.1-30.
[2] To complete.
