目录
在学习《机器学习（周志华）》第2章 2.4.1节时遇到一个术语“二项检验（binomial test）”，不是特别理解，于是查阅了一下资料，了解了一下，有的博客解释的很繁杂，我认为没有那么复杂，我认为“二项检验”就是一个“假设检验”的问题，理解了假设检验的概念及运行机制就都了解了。以下是我的理解，如有不对还望校正。
什么是“假设检验”？
前提：1）我们知道一个分布的具体形式，但不知道分布的具体参数。例子（1）我们知道这个分布是一个二项分布，但是我们不知道这个二项分布的具体参数（二项分布只有一个参数，就是正样本的概率p）。例子（2）我们知道一个分布是高斯分布，但是我们不知道这个高斯分布的参数（均值或方差）。
2）我们有一组服从这个分布的样本
“假设”：我们这个分布的参数的取值范围做了一个假设，比如这个参数大于/小于某个值，或这个参数偏离某个数值的距离小于某个阈值等。这个取值范围是需要人工指定的。
“检验”：根据手里的样本数据，计算假设的条件成立的置信度（即可信任程度）。
备注：“假设”与“检验”中我们总共涉及两个数值：在“假设”的条件中的“阈值”（或称取值范围），在“检验”中的“置信度”。这两个数值可以互相推断，在实际中必须人工指定其中一个，然后推断另外一个，然后将推断值与设定的标准值进行比较，从而判断假设是否成立。即，这两个数值都需要人工设定，其中一个出现在“假设”的条件里，另外一个出现在“检验”的标准里。 “假设检验”的最终输出是一个结论：在这个设定的检验标准下，这个假设的条件是否成立，是一个bool变量。
假设的条件与检验的标准在实际应用中是可以互换的。（1）可以指定假设的条件，推断这个具体假设成立的置信度，然后与设定的置信度比较，低于设定的置信度就认为不可信，反之认为可信。 （2）可以先指定置信度，推断满足这个置信度的最宽松的条件，如果假设的条件满足这个最宽松的条件（或换句话说，假设的条件比这个最宽松的条件还要严格），那么说明假设的条件比这个推断出的最宽松的条件的置信度还要高，所以假设成立，反之假设不成立。
什么是“二项检验”？
“二项检验”是“假设检验”中的一种情况：我们知道一个分布服从二项分布，但是不知道这个分布的参数p(正样本出现的概率)。我们手里有一批服从这个分布的样本，我们可以根据这批样本对这个参数的取值范围做一个假设，并设定一个置信度阈值，如果这个假设的可信度超过这个置信度阈值，我们就认为这个假设成立，否则认为不成立。
怎么计算假设的置信度？
根据手里的样本数据，我们可以对这个参数计算出一个“估计值”。根据这个估计值，我们可以得到这个二项分布的估计分布，很明显，这个分布是一个关于这个参数的函数，可以在"XOY"坐标系上，X轴表示参数的取值，Y轴表示分布函数的分布概率密度。假设的条件的置信度就是：在假设中设定的参数的取值范围的约束下，分布曲线下的积分面积。
《机器学习（周志华）》2.4.1节“二项检验”的具体分析
这里二项分布的未知参数是模型的真实泛化误差
，
做出的假设是：
，（也可以表示为
,其中是人工指定的一个条件）
检验的标准是：假设的置信度
设定的置信度阈值 
（
的术语是“显著性水平”，可以理解为条件“是否明显错误的判断标准”，所以可以理解为“非明显错误的判断标准”，即，“可信任的标准”，我称为“置信度阈值”。通常取一个较小的数值，如0.1，0.05，0.01，0.005等）
书中的假设检验的思路是：根据检验标准（即置信度阈值），推断参数可信任的候选区间，如果设定的条件在可信任的候选区间内，则认为条件成立，否则不成立。
参考：《机器学习（周志华）》2.4.1节
《概率论与数理统计（第四版，盛骤 等编）》第8.1节
499
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
