Friedman检验是一种非参数检验，也叫M检验，是重复测量方差分析的非参数检验版本，是Kruskal-Wallis检验的配对样本版本，可以认为是用于两组配对的符号检验的扩展，用于比较三个或更多配对的研究组。由美国经济学家Milton Friedman在1937年提出的。

Kruskal-Wallis Test，也称作H检验，是一种非参数的假设检验方法，用于检验三组或以上样本中是否至少有一组存在显著不同。 Kruskal-Wallis Test 是ANOVA方差分析的非参数检验版本，对数据的分布特征没有前置要求，且可以应用于顺序性变量的分析。多组样本如果检验正态性不符合时，选用Kruskal-Wallis Test。 Kruskal-Wallis Test 是 Mann-Whitney U test 的扩展。对于非参数检验，分析两组独立样本，应使用Mann-Whitney U检验，对于分析三组及以上独立样本，应该用Kruskal-Wallis Test。

卡方检验（Chi-Square Test）是一种常用于统计学的假设检验方法，属于非参数检验的范畴，主要用于分析分类数据（即离散型数据）。通过检验观察数据和理论期望之间的差异，判断变量之间是否存在显著关联或符合期望。卡方检验主要有以下几种类型： 1. 拟合优度检验（Goodness of Fit Test）：用于检验观测数据的分布是否与预期分布相符合。例如，检验一个骰子是否公平，可以通过观测各个面出现的频率和期望的均匀分布进行比较。 2. 独立性检验（Test of Independence）：用于判断两个分类变量是否相互独立。比如，在市场调查中，想要了解性别与购买偏好是否有关联，可以使用独立性检验来判断这两个变量之间的关系。

之前都是用水性签字笔写标签纸，写完很容易被弄花 今天才发现用油性笔写，简直速干，完全不用怕字迹会被弄花，可以轻松写在塑料、金属、陶瓷上。

【🌟 为什么选择协方差分析？】协方差分析（Analysis of Covariance，简称ANCOVA）是一种将回归分析与方差分析相结合的一种分析方法。用来比较不同组之间的均值，同时控制一个或多个协变量（即可能影响结果的连续变量）的影响。多组数据的比较可以用方差分析，但是如果不同样本的基线本来就不一致，直接分析测试结果数据，直接用方差分析可能存在问题。这时候就需要使用协方差分析。【💡协方差分析的核心思想】协方差分析基本思想是将难以控制的因素对因变量Y的影响看作是协变量X，建立协变量X与因变量Y的线性回归关系，利用该回归关系将协变量X的值化为相等，计算因变量Y的修正，再对因变量Y的修正均数进行比较。【📊协方差分析的例子】✅ 在研究不同教学方法对学生考试成绩的影响时，学生的初始能力（比如之前的考试成绩）也会影响最终成绩。为了公平地比较不同教学方法的效果，要去除培训前成绩差异的影响。✅ 研究对象分为两组，接受不同治疗（如治疗组和安慰组），每组分别在治疗前和治疗后测量观察指标（如血压值），比较治疗前后的血压值时，需要去除不同研究对象本身血压值就有差异的影响。

ANOVA（Analysis of Variance，方差分析）是一种统计方法，在某些场合也被称为F检验（不过F检验指的实际是方差齐性检验），它用于比较三个或更多样本组之间的均值差异。它通过分析组内和组间的方差，来判断不同组别之间的均值是否存在显著差异。ANOVA的基本思想是，如果不同组的均值存在显著差异，那么这些组之间的方差应当大于组内的方差。

本笔记改编自《深度学习经典案例解析：基于MATLAB》一书中的内容，使用ResNet网络来对X光胸片进行检测，判断是否有肺炎。 不过老实说，这个数据集数量太少。并且我自己也无法通过肉眼分辨X光胸片到底有没有肺炎。 所以本笔记更多的是介绍Matlab 如何调用ResNet、如何做数据增强等知识点。

沉浸式翻译终于支持富文本翻译了，以后在网页读论文更舒服了，可以在翻译内容里，直接进行图的跳转

MutationObserver 可以观察 DOM 元素，并在检测到更改时触发回调。特别适用于监控元素的属性、子节点或者文本内容的变化。这个 API 提供了一个高效的机制来追踪这些变化，避免了频繁的轮询操作，可以提升代码性能。

介绍 比例Z检验主要用于检验样本比例与总体比例是否存在显著差异，或者两个独立样本的比例之间是否存在显著差异。通常，这种检验用于大样本（通常样本大小大于30）和二项式分布数据。 比例Z检验基于中心极限定理。当样本量足够大时，样本比例的抽样分布近似服从...